臨床隊列微調 — 然後再喺16個獨立臨床隊列(包括黑色素瘤、非小細胞肺癌、胃癌、膀胱癌、腎癌、膠質母細胞瘤同頭頸癌,涉及6種唔同ICI方案,如抗PD-1、抗PD-L1、抗CTLA-4等)進行微調,令模型適應實際臨床情況。
預測時,COMPASS會輸入病人嘅腫瘤mRNA表達譜(以TPM為單位)同癌症類型編碼,然後輸出兩樣嘢:
解釋得到嘅AI — 唔似得傳統「黑盒」深度學習模型,COMPASS採用「概念瓶頸架構」(concept bottleneck architecture):先將基因表達數據映射到44個高層次、人類可理解嘅免疫概念,再用呢啲概念嚟做最終預測。 即係醫生同研究人員可以睇到「點解」個預測係咁——例如「呢個病人預計會有效,因為佢有高CD8⁺ T細胞浸潤同強烈嘅IFN-γ通路激活。」
跨癌種通用能力 — 好多現有ICI預測模型只係針對單一癌症或小型隊列訓練,難以推廣。COMPASS經過33種癌症預訓練同多個臨床隊列微調,所以可以通用於唔同癌症同治療方案,甚至對未曾見過嘅癌症類型同ICI藥物都有效。
表現贏晒傳統標記 — 根據預印本,COMPASS預測生存結果嘅準確度顯著高過PD-L1表達同腫瘤突變負荷(TMB)——呢兩個係目前最常用嘅臨床生物標記。喺一項二期泌尿上皮癌試驗中,COMPASS嘅風險比(Hazard Ratio)達到4.7(p < 0.0001),遠超PD-L1嘅表現。
揭示抗藥機制 — 透過SHAP分析(一種解釋機器學習模型嘅方法)去剖析44個概念分數,COMPASS可以搵出邊啲免疫生物學因素驅動病人有反應或出現抗藥性,有助了解抗藥機制。
COMPASS嘅預印本(2025年5月上載到medRxiv)尚未完成正式同儕審查。模型需要腫瘤RNA-seq數據做輸入,呢啲數據暫時唔係所有癌症病人嘅常規檢測項目。另外,獨立嘅前瞻性臨床驗證研究仲未發表。
臨床隊列微調 — 然後再喺16個獨立臨床隊列(包括黑色素瘤、非小細胞肺癌、胃癌、膀胱癌、腎癌、膠質母細胞瘤同頭頸癌,涉及6種唔同ICI方案,如抗PD-1、抗PD-L1、抗CTLA-4等)進行微調,令模型適應實際臨床情況。
預測時,COMPASS會輸入病人嘅腫瘤mRNA表達譜(以TPM為單位)同癌症類型編碼,然後輸出兩樣嘢:
解釋得到嘅AI — 唔似得傳統「黑盒」深度學習模型,COMPASS採用「概念瓶頸架構」(concept bottleneck architecture):先將基因表達數據映射到44個高層次、人類可理解嘅免疫概念,再用呢啲概念嚟做最終預測。 即係醫生同研究人員可以睇到「點解」個預測係咁——例如「呢個病人預計會有效,因為佢有高CD8⁺ T細胞浸潤同強烈嘅IFN-γ通路激活。」
跨癌種通用能力 — 好多現有ICI預測模型只係針對單一癌症或小型隊列訓練,難以推廣。COMPASS經過33種癌症預訓練同多個臨床隊列微調,所以可以通用於唔同癌症同治療方案,甚至對未曾見過嘅癌症類型同ICI藥物都有效。
表現贏晒傳統標記 — 根據預印本,COMPASS預測生存結果嘅準確度顯著高過PD-L1表達同腫瘤突變負荷(TMB)——呢兩個係目前最常用嘅臨床生物標記。喺一項二期泌尿上皮癌試驗中,COMPASS嘅風險比(Hazard Ratio)達到4.7(p < 0.0001),遠超PD-L1嘅表現。
揭示抗藥機制 — 透過SHAP分析(一種解釋機器學習模型嘅方法)去剖析44個概念分數,COMPASS可以搵出邊啲免疫生物學因素驅動病人有反應或出現抗藥性,有助了解抗藥機制。
COMPASS嘅預印本(2025年5月上載到medRxiv)尚未完成正式同儕審查。模型需要腫瘤RNA-seq數據做輸入,呢啲數據暫時唔係所有癌症病人嘅常規檢測項目。另外,獨立嘅前瞻性臨床驗證研究仲未發表。