COMPASS โมเดล AI จาก Harvard ทำนายผลการรักษามะเร็งด้วยภูมิคุ้มกันบำบัด แม่นยำกว่าเกณฑ์มาตรฐานเดิม

เมื่อถึงขั้นตอนการทำนาย COMPASS จะรับข้อมูลโปรไฟล์การแสดงออกของ mRNA จากเนื้องอกของผู้ป่วย (ในหน่วย TPM) และรหัสชนิดของมะเร็ง แล้วส่งออกสองสิ่ง :

• คะแนนแนวคิด (Concept Scores) จำนวน 44 ค่า — ค่าการทำงานเชิงปริมาณของ "แนวคิดภูมิคุ้มกัน" ที่มีความหมายทางชีววิทยา ซึ่งแสดงถึงสถานะของเซลล์ภูมิคุ้มกัน (เช่น CD8⁺ T cells, Exhausted T cells, B cells), ปฏิสัมพันธ์ในสภาพแวดล้อมจุลภาคของเนื้องอก, และวิถีการส่งสัญญาณ (เช่น วิถี IFN-γ, วิถี TGF-β)
• ความน่าจะเป็นที่ทำนายไว้ — ค่าประมาณการของโมเดลถึงโอกาสที่จะตอบสนองต่อการรักษา (Responder หรือ Non-responder)

อะไรที่ทำให้ COMPASS แตกต่างจากวิธีการที่มีอยู่

โครงสร้าง Concept Bottleneck ที่สามารถตีความได้ แตกต่างจากโมเดล Deep Learning แบบกล่องดำส่วนใหญ่ COMPASS ใช้การออกแบบแบบ Concept Bottleneck โดยจะจับคู่ข้อมูลการแสดงออกของยีนดิบกับแนวคิดภูมิคุ้มกันระดับสูงที่มนุษย์เข้าใจได้จำนวน 44 ข้อ ก่อนจะใช้แนวคิดเหล่านั้นในการทำนายขั้นสุดท้าย ซึ่งหมายความว่าแพทย์และนักวิจัยสามารถเห็นได้ว่า ทำไม การทำนายนั้นถึงเกิดขึ้น เช่น "ผู้ป่วยรายนี้คาดว่าจะตอบสนองเพราะมี CD8⁺ T cell แทรกซึมสูงและวิถี IFN-γ ทำงานแรง"

ความสามารถในการสรุปอ้างอิงข้ามชนิดมะเร็ง (Pan-cancer Generalizability) ผ่าน Transfer Learning โมเดลทำนาย ICI ที่มีอยู่จำนวนมากได้รับการฝึกฝนมาจากมะเร็งเพียงชนิดเดียวหรือกลุ่มตัวอย่างเล็กๆ ซึ่งจำกัดความสามารถในการสรุปอ้างอิง COMPASS ถูก Pre-train บนมะเร็ง 33 ชนิด และ Fine-tune ข้ามกลุ่มผู้ป่วยทางคลินิกที่หลากหลาย จึงสามารถสรุปอ้างอิงข้ามมะเร็งและสูตรการรักษาที่แตกต่างกันได้ แม้กระทั่งกับมะเร็งชนิดและยา ICI ที่ไม่เคยเห็นในขั้นตอน Fine-tuning

มีประสิทธิภาพเหนือกว่า Biomarker มาตรฐาน ตามรายงานก่อนตีพิมพ์ (Preprint) การทำนายของ COMPASS มีความแม่นยำสูงกว่าการแสดงออกของ PD-L1 และ Tumor Mutational Burden (TMB) อย่างมีนัยสำคัญ ซึ่งเป็น Biomarker ทางคลินิกที่ใช้กันอย่างแพร่หลายที่สุดสองชนิด ในการทำนายผลลัพธ์การรอดชีวิต ในการทดลองระยะที่ 2 สำหรับมะเร็งทางเดินปัสสาวะ (Urothelial Cancer) COMPASS ให้ Hazard Ratio ที่ 4.7 (p < 0.0001) สำหรับการแบ่งชั้นความเสี่ยงในการรอดชีวิต ซึ่งสูงกว่า PD-L1 อย่างมาก

ความสามารถในการตีความเชิงกลไก (Mechanistic Interpretability) ผ่านการวิเคราะห์ SHAP บนคะแนนแนวคิดทั้ง 44 ข้อ COMPASS สามารถระบุได้ว่าชีววิทยาภูมิคุ้มกันแบบใดที่ขับเคลื่อนการตอบสนองหรือการดื้อต่อยาในผู้ป่วยแต่ละรายและข้ามชนิดมะเร็งต่างๆ ซึ่งให้ข้อมูลเชิงลึกเกี่ยวกับกลไกการดื้อยา

ผลกระทบทางคลินิกที่อาจเกิดขึ้น

• การคัดเลือกผู้ป่วยที่ดีขึ้นสำหรับการใช้ ICIs COMPASS สามารถช่วยระบุว่าผู้ป่วยรายใดมีแนวโน้มที่จะได้รับประโยชน์จากภูมิคุ้มกันบำบัดมากที่สุด ซึ่งช่วยให้ผู้ที่ไม่ตอบสนองไม่ต้องรับการรักษาที่ไม่ได้ผลและผลข้างเคียงที่ไม่จำเป็น

• การเพิ่มประสิทธิภาพและการออกแบบการทดลองทางคลินิก โมเดลนี้สามารถสนับสนุนการออกแบบการทดลองทางคลินิกโดยช่วยให้สามารถเลือกกลุ่มตัวอย่างได้แม่นยำยิ่งขึ้น ซึ่งอาจลดขนาดการทดลองและเร่งการพัฒนายา

• ข้อมูลเชิงลึกเกี่ยวกับกลไกการดื้อยา การเปิดเผยว่าเส้นทางภูมิคุ้มกันใดที่ขับเคลื่อนการไม่ตอบสนองในผู้ป่วยหรือมะเร็งชนิดใดชนิดหนึ่ง COMPASS สามารถช่วยในการออกแบบกลยุทธ์การรักษาแบบผสมผสานและระบุกลไกการดื้อยาแบบใหม่

• สามารถเข้าถึงได้ผ่านเครื่องมือสาธารณะ เครื่องมือ MCP Server บนเว็บสำหรับรันการทำนายของ COMPASS นั้นโฮสต์โดย Zitnik Lab ที่ Harvard และโค้ดพร้อมกับโมเดลที่ผ่านการฝึกอบรมแล้วนั้นเปิดให้ใช้งานสาธารณะบน GitHub และที่ immuno-compass.com

ข้อจำกัดที่ควรทราบ

รายงานก่อนตีพิมพ์ (Preprint) ของ COMPASS (โพสต์เมื่อเดือนพฤษภาคม 2025 บน medRxiv) ยังไม่ผ่านกระบวนการตรวจสอบโดยผู้ทรงคุณวุฒิ (Peer Review) อย่างสมบูรณ์ แม้ว่าจะถูกตีพิมพ์ใน PMC ในฐานะ Preprint ที่ได้รับทุนจาก NIH โมเดลนี้ต้องการข้อมูล Bulk RNA-seq เป็นอินพุต ซึ่งยังไม่เป็นส่วนหนึ่งของขั้นตอนการทำงานทางคลินิกตามปกติสำหรับผู้ป่วยมะเร็งทุกราย นอกจากนี้ ยังไม่มีการตีพิมพ์การศึกษาการตรวจสอบความถูกต้องทางคลินิกในอนาคต (Prospective Clinical Validation) อย่างอิสระ