COMPASS讓免疫療法試驗多了一層AI考題

免疫檢查點抑制劑改寫了部分癌症的治療前景，卻始終伴隨一個棘手現實：同樣的藥物，有人得到持久緩解，有人只承受副作用與時間成本。哈佛醫學院與合作團隊近日發表的 COMPASS 模型，正是試圖在治療開始前，從腫瘤的基因表現訊號中判斷病人較可能屬於哪一邊。

這項研究刊於《Nature Medicine》。根據論文摘要，COMPASS 是一個泛癌種基礎模型，使用大量腫瘤轉錄體資料，並以「概念瓶頸」架構把基因活性連到較可解釋的免疫相關概念，再預測病人對免疫檢查點抑制劑的反應。研究團隊表示，模型先以 33 種癌症、10,184 個腫瘤訓練，再於涵蓋 7 種癌症與 6 種免疫檢查點抑制劑的 16 個臨床世代中評估。

相較於 22 種比較方法，論文報告 COMPASS 平均準確率提高 8.5%，精確率-召回率曲線下面積提高 15.7%；被模型歸為反應者的病人，在整體存活上也呈現較佳分離。這些結果讓 COMPASS 不只是單一癌種的分類器，而更像一套可在不同癌種、不同藥物情境中測試的病人分層框架。

然而，這也正是臨床試驗設計變得更複雜的原因。若研究者在免疫療法試驗中納入這類模型，必須決定它是用來篩選入組、分層隨機、探索生物標記，或只是事後分析工具；每一種定位都牽涉不同的統計設計、失敗風險與倫理問題。模型若錯把可能受益者排除在外，或把不太可能受益者推向治療，後果都不只是演算法分數的偏差。

官方程式庫顯示，COMPASS 可由基因表現表格輸出反應與非反應預測，也能擷取基因、基因集與 44 個概念層級的特徵。專案下載頁則列出資料集、預訓練模型、以 1,133 名病人微調的全免疫檢查點抑制劑模型，以及針對 atezolizumab、ipilimumab、nivolumab、pembrolizumab 等藥物的模型檔案。這種開放材料有助於外部研究者重現與延伸，但部分臨床世代仍需透過 EGA、dbGaP 等管制資料庫申請，資料可近性並不一致。

對一般病人而言，最重要的界線是：COMPASS 目前仍是研究工具，不是可直接決定治療的醫療建議。專案網站也明確標示其用途為研究與教育。即使回溯資料顯示模型能分辨較可能受益的族群，真正進入臨床仍需要前瞻性試驗證明它能改善決策，而不只是重新整理既有資料中的訊號。

更大的科學問題則在於可推廣性。腫瘤轉錄體會受到樣本處理、測序平台、腫瘤純度與病人族群差異影響；免疫療法反應也不只由腫瘤細胞決定，還牽涉微環境、既往治療、共病與藥物組合。COMPASS 把這些複雜因素壓縮成較可讀的免疫概念，是一個有吸引力的方向，但也要求研究者在每一次新癌種、新藥物與新族群使用前，重新檢查模型是否仍然可靠。