Tempus AI在2026年美國臨牀腫瘤學會年會上宣佈其構建多模式基金會模型的最新成果

Tempus一直在利用其超過500 PB的豐富、分子基礎數據來構建新穎的生物基礎模型和代理工作流程--總共超過4500萬次去識別患者旅程，150萬次測序數據，以及超過400，000條癌症記錄，包含完整的基因組、轉錄組、成像和臨牀數據。這些努力將這些數據轉化為統一的患者表示，釋放可操作的見解，以加快臨牀和藥物開發中的精準醫療工作。

Tempus最新的基於轉換器的多模式模型是在250萬條縱向記錄上訓練的，其中包含超過2.5億頁的臨牀筆記、450，000張數字化醫學圖像以及500，000個基因組和轉錄組序列。通過聚合源自十億個參數基礎模型的模式，它旨在解決數千個錨定在總體生存率（OS）和無進展生存率（PBS）中的預測目標，而不需要額外的數據或模型微調。該架構顯着減少了為臨牀試驗設計、患者風險預測和新型多模式診斷產生數百種臨牀相關見解所需的時間和數據。

在無需任何進一步培訓的零射擊設置中，Tempus利用該患者軌跡模型和一系列代理工作流程，通過強大的多模式數據解鎖了超過120萬條去識別記錄的隊列中的見解。

作為概念的主要證明，Tempus的模型被用來分析接受奧希替尼（當前一線標準護理第三代EGFR抑制劑）治療的EGFR突變型非小細胞肺癌患者。Tempus評估了該模型是否可以準確地分層具有已知臨牀可操作生物標誌物（如EGFR）的患者對奧希替尼標準護理治療的反應。這測試了該模型學習預測已知生物學和臨牀特徵之外反應的組合特徵的能力，以識別更有可能對當前療法反應不佳的患者。

在沒有任何預先指定的培訓的情況下，該模型表明：

針對一系列突變譜（包括30多種EGFR特異性特徵，包括L 858 R、Exon 19 del）進行了評估;結果仍然產生了獨立於分子和臨牀亞組的預后價值，顯着分層TP 53（+）患者的總體生存期（HR=5.96），以及無中樞神經系統轉移患者的無進展生存期（HR=1.94）。這一結果只是Tempus模型如何產生新穎臨牀見解的一個例子，因為在預測其他患者人群的總體生存率方面也觀察到了類似的結果。

Tempus的多模式患者軌跡模型也證明了對藥物開發活動的巨大實用性。例如，這些模型成功預測了反映預先建立的臨牀試驗的患者隊列的結果。在非小細胞肺癌中，Tempus能夠評估反映改變實踐的臨牀試驗（KEYNOTE-189、FLAURA-2和DESTINY）的隊列，並且多模式患者軌跡模型能夠零射擊優於標準方法，例如Cox-PH模型。這些結果表明生物製藥開發人員具有巨大的實用性，包括在試驗開始前評估可能嚴重影響臨牀試驗性能的功能的潛力。

Tempus創始人兼首席執行官Eric Lefkofsky表示：「基礎模型與代理工作流程相結合，將有助於釋放精準醫學的全部潛力--實現快速假設測試，並大幅壓縮從發現到臨牀應用的時間。」「事實上，我們的通用模型已經優於高度調整的小型模型，這預示着我們新型生物多模式基礎模型有能力改進臨牀試驗設計和生物標誌物開發，從而使醫生和生命科學公司能夠尋求新的診斷方法和新葯。"