人表皮生长因子受体2（HER2）的表达状态是乳腺癌分子分型的重要依据，可指导临床治疗决策。其中，HER2低表达（免疫组化[IHC]1+或IHC2+且原位杂交[ISH]-）既往被归为HER2阴性亚型，对传统HER2靶向治疗无反应。然而，近期德曲妥珠单抗等新型抗体偶联药物（ADCs）的临床试验显示，该亚型能从HER2靶向ADCs中显著获益【1, 2】。因此，精确区分HER2零表达、HER2低表达和HER2阳性对于确定ADCs疗法的潜在受益者至关重要。然而，传统的病理学技术依赖于侵入性组织取样，可能无法全面捕获肿瘤异质性。鉴于此，开发一种无创且可靠的方法来评估乳腺癌中的HER2表达状态，对于优化治疗策略至关重要。近日，复旦大学附属肿瘤医院放射科顾雅佳教授、尤超教授团队
联合复旦大学附属肿瘤医院乳腺外科江一舟教授团队、复旦大学类脑智能科学与技术研究院王鹤教授团队、中国医科大学第一医院放射科张立娜教授团队和广州市第一人民医院放射科郭媛教授团队、在Advanced Science杂志上发表了题为A Dynamic Contrast-Enhanced MRI-Based Vision Transformer Model for Distinguishing HER2-Zero, -Low, and -Positive Expression in Breast Cancer and Exploring Model Interpretability的论文，该研究基于Vision Transformer（ViT）的深度学习模型为乳腺癌的无创HER2状态评估提供了一种新颖有效的方法，能够更精确地对患者进行分层以指导个性化治疗策略。研究进一步通过注意力图和转录组学相关性分析，对模型决策的可解释性进行了评估。研究纳入了来自三个医疗中心的多中心回顾性数据：FUSCC队列（n=708，按8:2随机划分为训练集n=567和验证集n=141）、GFPH队列（n=80）和FHCMU队列（n=101）。基于动态对比增强磁共振成像（DCE-MRI）数据，构建了两个基于ViT的深度学习模型：1）用于区分HER2零表达与HER2低表达/阳性乳腺癌；
2）用于区分HER2低表达与HER2阳性乳腺癌。两个模型均在FUSCC队列训练集进行模型训练，并在FUSCC队列验证集及两个独立外部测试集（GFPH队列和FHCMU队列）进行验证，结果显示两个模型均具备良好的泛化能力。针对深度学习模型的黑盒特性，该研究采用注意力图和转录组学相关性分析评估了模型决策的可解释性。注意力图通过可视化模型在图像中的关注区域，直观揭示其决策依据。而转录组学相关性分析则进一步发现了HER2低表达乳腺癌特有的免疫微环境特征，为模型的生物学可解释性提供了有力支持。此外，多因素比例风险回归分析表明，该模型预测评分是患者总生存期的独立预后因素。综上所述，该研究成功开发了一种基于ViT的深度学习模型，用于无创地区分乳腺癌中HER2的表达，尤其是对HER2低表达乳腺癌的精准识别，使该亚型能从新型HER2靶向ADCs中显著获益。原文链接：https://advanced.onlinelibrary.wiley.com/doi/10.1002/advs.202503925
制版人：十一
1. Modi, S. et al. Trastuzumab Deruxtecan in Previously Treated HER2-Low Advanced Breast Cancer. N Engl J Med 387, 9–20 (2022).2.Tarantino, P. et al. ESMO expert consensus statements (ECS) on the definition, diagnosis, and management of HER2-low breast cancer. Ann Oncol 34, 645–659 (2023).
学术合作组织
（*排名不分先后）
转载须知
【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。
