免疫療法選擇題變複雜，COMPASS把AI模型攤到資料與程式碼前

免疫檢查點抑制劑改寫了部分癌症的治療想像，卻也留下艱難的現實：同樣昂貴、同樣可能引發免疫副作用的治療，有些病人獲得持久反應，有些人幾乎沒有幫助。真正困難的，不是知道免疫療法有用，而是在治療前判斷哪一個腫瘤環境有機會被重新點燃。

Nature Medicine 7月3日刊登的研究描述COMPASS，一個以腫瘤轉錄體為核心的泛癌種基礎模型，用來預測病人對免疫檢查點抑制劑的反應。根據論文摘要，研究團隊在16個臨床隊列中測試模型，涵蓋7種癌症與6種免疫治療方案，並與22種比較方法對照；結果顯示COMPASS在跨癌種、跨藥物情境下具有較佳表現。

這類模型的輸入不是影像，也不是單一突變，而是腫瘤基因表現資料。公開的COMPASS程式庫與PyPI套件說明顯示，使用者可用TPM格式的基因表現矩陣進行預測，輸出非反應與反應兩類機率；同一套工具也支援特徵抽取、微調與重新預訓練。換句話說，它被設計成研究人員可操作的工具，而不只是論文中的封閉模型。

COMPASS較有臨床意義的一點，在於它試圖把預測連回可解釋的腫瘤免疫概念。專案文件提到，模型可提供基因層級、基因集層級與44個高階概念層級的特徵；下載頁面也列出基因編碼、癌種編碼、概念細節與範例資料。這不等於模型已能說明因果機制，但至少讓研究者有機會檢查預測訊號是否落在較合理的免疫或腫瘤生物學脈絡中。

公開資料也讓研究邊界更清楚。COMPASS網站列出多個免疫治療隊列與模型權重，包括以TCGA預訓練的基礎模型、使用1,133名免疫治療病人資料訓練的PFT與LFT模型，以及針對atezolizumab、ipilimumab、nivolumab、pembrolizumab等藥物的模型。這些資訊有助於外部團隊重現與比較，但也提醒讀者：模型的強弱仍受既有隊列組成、測序平台、臨床終點定義與病人族群代表性限制。

對醫師與病人而言，COMPASS目前最合理的定位仍是研究與試驗分層工具，而不是單獨決定用藥的臨床裁判。回溯性跨隊列驗證能顯示泛化潛力，卻不能取代前瞻性臨床試驗；若模型未來要進入真實診療，還必須回答檢體處理、基因表現標準化、不同醫院資料漂移、錯誤分類責任，以及監管機關如何審查可更新AI模型等問題。

這項研究的重點因此不只是「AI預測免疫療法反應」這句話本身，而是它把資料、模型權重與軟體套件放到可追問的位置。當癌症治療愈來愈倚賴分子分層，下一步的門檻將不只在演算法準確率，也在於模型能否經得起不同族群、不同流程與真實臨床決策的壓力測試。