BioCOMPASS：将生物标志物整合到基于Transformer的免疫治疗反应预测中
机器学习
2026-04-02 v1 人工智能
摘要
用于免疫治疗反应预测的数据集通常规模较小，且在癌症类型、用药和测序仪方面具有多样性。当在训练过程中未包含的患者队列上进行测试时，模型性能通常会下降。近期研究表明，基于Transformer的模型结合自监督学习比基于阈值的生物标志物具有更好的泛化能力，但仍不够理想。本文提出了BioCOMPASS，即对名为COMPASS的基于Transformer的模型的扩展，通过整合生物标志物和治疗信息来进一步提高其泛化能力。我们没有将生物标志物数据作为输入，而是构建了损失分量以将其与模型的中间表示对齐。我们发现，治疗门控和通路一致性等分量在Leave-one-cohort-out、Leave-one-cancer-type-out和Leave-one-treatment-out评估策略下改善了泛化能力。结果表明，构建利用生物标志物和治疗信息的分量有助于提高免疫治疗反应预测的泛化能力。精心设计利用互补临床信息和领域知识的额外分量代表了未来研究的有前景方向。
引用
@article{arxiv.2604.00739,
title = {BioCOMPASS: Integrating Biomarkers into Transformer-Based Immunotherapy Response Prediction},
author = {Sayed Hashim and Frank Soboczenski and Paul Cairns},
journal= {arXiv preprint arXiv:2604.00739},
year = {2026}
}