Tempus AI在2026年美国临床肿瘤学会年会上宣布其构建多模式基金会模型的最新成果

Tempus一直在利用其超过500 PB的丰富、分子基础数据来构建新颖的生物基础模型和代理工作流程--总共超过4500万次去识别患者旅程，150万次测序数据，以及超过400，000条癌症记录，包含完整的基因组、转录组、成像和临床数据。这些努力将这些数据转化为统一的患者表示，释放可操作的见解，以加快临床和药物开发中的精准医疗工作。

Tempus最新的基于转换器的多模式模型是在250万条纵向记录上训练的，其中包含超过2.5亿页的临床笔记、450，000张数字化医学图像以及500，000个基因组和转录组序列。通过聚合源自十亿个参数基础模型的模式，它旨在解决数千个锚定在总体生存率（OS）和无进展生存率（PBS）中的预测目标，而不需要额外的数据或模型微调。该架构显着减少了为临床试验设计、患者风险预测和新型多模式诊断产生数百种临床相关见解所需的时间和数据。

在无需任何进一步培训的零射击设置中，Tempus利用该患者轨迹模型和一系列代理工作流程，通过强大的多模式数据解锁了超过120万条去识别记录的队列中的见解。

作为概念的主要证明，Tempus的模型被用来分析接受奥希替尼（当前一线标准护理第三代EGFR抑制剂）治疗的EGFR突变型非小细胞肺癌患者。Tempus评估了该模型是否可以准确地分层具有已知临床可操作生物标志物（如EGFR）的患者对奥希替尼标准护理治疗的反应。这测试了该模型学习预测已知生物学和临床特征之外反应的组合特征的能力，以识别更有可能对当前疗法反应不佳的患者。

在没有任何预先指定的培训的情况下，该模型表明：

针对一系列突变谱（包括30多种EGFR特异性特征，包括L 858 R、Exon 19 del）进行了评估;结果仍然产生了独立于分子和临床亚组的预后价值，显着分层TP 53（+）患者的总体生存期（HR=5.96），以及无中枢神经系统转移患者的无进展生存期（HR=1.94）。这一结果只是Tempus模型如何产生新颖临床见解的一个例子，因为在预测其他患者人群的总体生存率方面也观察到了类似的结果。

Tempus的多模式患者轨迹模型也证明了对药物开发活动的巨大实用性。例如，这些模型成功预测了反映预先建立的临床试验的患者队列的结果。在非小细胞肺癌中，Tempus能够评估反映改变实践的临床试验（KEYNOTE-189、FLAURA-2和DESTINY）的队列，并且多模式患者轨迹模型能够零射击优于标准方法，例如Cox-PH模型。这些结果表明生物制药开发人员具有巨大的实用性，包括在试验开始前评估可能严重影响临床试验性能的功能的潜力。

Tempus创始人兼首席执行官Eric Lefkofsky表示：“基础模型与代理工作流程相结合，将有助于释放精准医学的全部潜力--实现快速假设测试，并大幅压缩从发现到临床应用的时间。”“事实上，我们的通用模型已经优于高度调整的小型模型，这预示着我们新型生物多模式基础模型有能力改进临床试验设计和生物标志物开发，从而使医生和生命科学公司能够寻求新的诊断方法和新药。"