研究人员开发了一种泛癌人工智能模型，可以比医生今天依赖的标准生物标志物更准确地预测患者对免疫疗法的反应。该模型名为 COMPASS，在 2026 年 7 月 3 日发表在《自然医学》上的一项研究中进行了描述，它概括了不同的肿瘤类型、治疗方案和临床队列。

免疫疗法，特别是一类被称为免疫检查点抑制剂的药物，已经改变了癌症治疗，但只有少数患者受益。在 AI 行业报道 中，COMPASS 详细介绍了基础模型技术如何从语言和图像转向肿瘤学，以了解机器学习如何重塑医学。

COMPASS 解决的问题

免疫检查点抑制剂（ICIs）通过释放免疫系统的刹车使其能够攻击肿瘤，从而显着改善了某些癌症的治疗结果。问题是反应参差不齐。只有一小部分患者获得持久缓解，而其他许多患者则根本看不到任何益处，而且医生用于提前判断谁会做出反应的工具有限。

当今经过临床验证的预测因子，主要是肿瘤突变负荷 (TMB) 和 PD-L1 蛋白的表达，并不完善。对超过 27,000 名接受 ICI 治疗的患者进行的泛癌分析发现，这些标志物与实际患者反应之间的联系很弱或不一致。结果是，患者可能会接触到对他们没有帮助的药物，而其他可能受益的药物则永远无法确定。

COMPASS 旨在通过学习有关肿瘤免疫微环境 (TIME) 的可解释的、基于生物学的概念，即肿瘤与其周围免疫细胞之间的复杂相互作用，来缩小这一差距。

概念瓶颈基础模型

COMPASS 是作为概念瓶颈模型构建的，是一种旨在可解释的架构，而不是一个黑匣子。它通过基于变压器的基因编码器处理患者的肿瘤 RNA 测序数据，该编码器读取 15,672 个蛋白质编码基因的表达。然后，这些基因嵌入被投射到 132 个精心策划的基因特征上，并聚合成 43 个高级免疫和微环境概念，从而生成每个患者肿瘤免疫动态的紧凑表示。

该模型使用自我监督对比学习对癌症基因组图谱 (TCGA) 中 33 种癌症类型的 10,184 个肿瘤进行了预训练。通过首先从大量未标记数据中学习，COMPASS 构建了可概括的表示，然后可以在更小的临床队列上进行微调，考虑到标记的免疫治疗数据的稀缺，这是一个重要的特性。

由于该架构通过人类可读的概念传递信息，因此临床医生可以检查哪些生物信号（例如 T 细胞耗竭、骨髓程序或免疫调节信号）驱动了给定的预测。这与许多深度学习模型形成鲜明对比，这些模型输出分数而不解释其背后的推理。

针对癌症的强劲结果

研究人员对来自涵盖七种癌症类型的 16 个临床队列的 1,133 名患者进行了 COMPASS 评估，使用治疗前肿瘤转录组来预测对检查点抑制剂（包括抗 PD-1/PD-L1、抗 CTLA-4 和联合疗法）的反应。

在一项要求严格的留一队列评估中，该模型在从未见过的队列上进行了反复测试，COMPASS 在 22 个竞争模型中取得了最佳的平均性能。它将预测准确率提高了 8.5%，并将精确召回曲线下面积 (AUPRC)（当一种结果比另一种结果少得多时的关键指标）提高了 15.7%。

最引人注目的结果来自一项针对转移性尿路上皮癌（一种膀胱和尿路癌症）的二期试验。 COMPASS 预测有反应的患者的生存期明显长于预测不会反应的患者，风险比为 4.7，P 值为 1.7 × 10⁻7。在这项指标上，AI 模型的表现优于 TMB 和 PD-L1 测试（目前临床上使用的生物标记物）。

解释为什么患者有反应或没有反应

除了原始准确性之外，COMPASS 还可以生成个性化的反应图，将患者的基因表达与特定的免疫概念联系起来。这些地图有助于解释预测背后的机制，并揭露传统类别误导的情况。

例如，医生经常使用三种免疫表型对肿瘤进行分类：发炎、排除和沙漠。但 COMPASS 表明这种粗略排序可能具有欺骗性。一些患有“发炎”肿瘤的患者原本应该会产生良好的反应，但由于一种名为 TGFβ 的蛋白质驱动的抑制信号、血管排斥或某些免疫细胞功能障碍而没有反应。相反，一些肿瘤看起来没有发炎的患者仍然有反应，因为他们保留了细胞毒性免疫活性或携带高突变负荷而没有免疫抑制信号。

通过解决这些隐藏的区别，COMPASS 识别出功能性免疫状态，以补充而不是简单地取代现有的生物标志物。

接下来会发生什么

该研究强调了人工智能在肿瘤学领域的前景和局限性。 COMPASS 涵盖了癌症类型和治疗方法，并且可以通过参数高效的迁移学习来适应小型临床队列，包括无需额外培训即可将新患者与类似病例进行匹配的零样本模式。但作者指出，免疫疗法的反应取决于转录组以外的许多因素，临床采用需要在更大、更多样化的人群中进行进一步验证。

这项工作还反映了一个更广泛的趋势：在大量数据集上进行预训练，然后适应专门的医疗任务的基础模型正在向临床靠拢。从肿瘤免疫生物学中学到的概念是否可以转化为针对个体患者更好、更快的治疗决策，是下一轮试验必须回答的问题。

保持人工智能领先地位

基础模型越来越多地从文本和图像转向医学和科学。跟踪影响医疗保健和研究的最新人工智能发展。

阅读更多人工智能新闻 →