跨癌別AI模型瞄準免疫治療難題，BioCOMPASS試圖把生物標記放進預測核心

癌症免疫治療最棘手的問題之一，不是藥物是否有效，而是有效會發生在誰身上。PD-1、CTLA-4等免疫檢查點抑制劑已讓部分病人的腫瘤長期受控，但也有許多人承受副作用與時間成本後，仍無明顯反應。若能在治療前更準確預測反應，臨床上就可能更早調整策略，也讓試驗設計更精準。

FirstWord Pharma報導，一項名為BioCOMPASS的泛癌別AI工具提高了免疫治療反應預測準確度。根據其研究預印本，BioCOMPASS是既有COMPASS模型的延伸版本，重點不只在基因或轉錄體訊號本身，而是把臨床生物標記與治療類型一併納入模型判讀。

這個模型鎖定的具體任務，是預測癌症病人接受免疫檢查點抑制劑後是否可能產生治療反應。公開資料顯示，BioCOMPASS支援PD-1、CTLA-4與合併療法等治療指標，並使用多類輸入特徵，包括62項免疫細胞特徵、42項CTLA4與PD1路徑活性分數，以及TIDE、IPRES等與免疫逃脫或治療抗性相關的輔助生物標記。

研究團隊在預印本中表示，BioCOMPASS透過治療閘控、概念對齊、路徑一致性與輔助學習等設計，讓模型在判讀病人資料時能更貼近免疫治療的生物學脈絡。換言之，它不是單純尋找資料中的統計關聯，而是嘗試把「接受哪一類免疫治療」與「腫瘤免疫微環境呈現什麼訊號」放在同一個預測框架裡。

在驗證上，研究報告指出，BioCOMPASS於8個隊列的leave-one-cohort-out測試中，準確率由COMPASS的63.10%提升至70.00%。作者也採用leave-one-cancer-type-out與leave-one-treatment-out等策略，測試模型面對未見過癌別或治療類型時的泛化能力。這些設計比單一資料切分更能逼近真實應用情境，但結果目前仍來自預印本，尚未等同於前瞻性臨床驗證。

限制也因此相當清楚。免疫治療反應受到腫瘤類型、既往治療、樣本處理、測序平台與反應定義影響；不同資料集之間的偏差，可能讓模型在研究資料中表現良好，到了醫院流程卻下降。若要成為可用於治療選擇的工具，BioCOMPASS還需要在獨立、多中心、前瞻性資料中證明穩定性，並說明模型輸出如何與既有PD-L1表現、腫瘤突變負荷等臨床判準共同使用。

這項進展的意義，在於它把生醫AI的焦點從抽象的「預測更準」推向更具體的臨床問題：如何把免疫生物學、治療機制與病人資料連成可檢驗的判斷。BioCOMPASS的公開程式碼也有助於外部研究者重現與檢視方法。不過，在監管、臨床責任與病人分層標準尚未釐清之前，它更像是一個有潛力的研究平台，而不是可以直接替代醫師判斷的診療工具。