Forschende der Harvard Medical School, geleitet von Marinka Zitnik vom Blavatnik-Institut und dem Kempner Institute, haben ein KI-Modell namens COMPASS entwickelt, das die Vorhersage des Therapieansprechens auf Krebsimmun-Checkpoint-Inhibitoren deutlich verbessert. Die entsprechenden Ergebnisse wurden im Fachjournal Nature Medicine veröffentlicht. Immun-Checkpoint-Inhibitoren zählen zu den wirksamsten onkologischen Behandlungen, zeigen jedoch bei lediglich 10 bis 40 Prozent der Patientinnen und Patienten eine stabile Wirksamkeit. Diese Unvorhersehbarkeit belastet die klinische Prognose, erhöht das Risiko für unnötige Nebenwirkungen und erschwert die Rekrutierung für klinische Studien. COMPASS adressiert dieses zentrale Problem durch die computergestützte Auswertung der Genexpression von rund 16.000 immunrelevanten Genen, die mit Tumormikroumgebung, Immunzellzuständen und Signalwegen korrelieren. Im Gegensatz zu herkömmlichen Black-Box-Ansätzen nutzt das System eine transparente Concept-Bottleneck-Transformer-Architektur, die neben der Prognose auch eine biologisch nachvollziehbare Begründung liefert. Das Modell wurde initial mit genetischen Daten von mehr als 10.000 Tumoren aus 33 Krebsarten aus dem Cancer Genome Atlas trainiert und anschließend durch Feinabstimmung auf Daten von 16 klinischen Prüfungen validiert. In unabhängigen Tests übertraf COMPASS etablierte Vorhersagemethoden durchschnittlich um 8,5 bis 10 Prozent. Die hohe Genauigkeit blieb konsistent, unabhängig von Krebsart, spezifischem Wirkstoff, Sequenzierungsmethode oder Biopsieort. Durch die Interpretierbarkeit der KI-Ausgaben ließen sich zudem scheinbare Ausreißer in den Therapieergebnissen aufklären, etwa indem versteckte immunmodulatorische Prozesse in scheinbaren Nichtansprechern identifiziert wurden. Gelingen die anstehenden prospektiven klinischen Validierungen, könnte COMPASS als Entscheidungsunterstützung in der Routineversorgung etabliert werden, um personalisierte Therapieentscheidungen zu treffen und klinische Studien zielgenauer zu gestalten. Darüber hinaus generieren die erklärbaren Daten neue Forschungsansätze zur Identifikation von Wirkstofftargets. Die Forschenden planen nun, das Modell um elektronische Patientenakten sowie Single-Cell-Sequenzierungen zu erweitern, um die Prädiktionsgenauigkeit weiter zu steigern.