小赛推荐：
该研究为 HER2阳性乳腺癌 的个体化治疗提供了可临床转化的AI预测框架，其整合常规H&E和IHC切片的空间拓扑特征，为实验设计中利用数字病理指导抗HER2治疗策略提供了直接范式。
文献概述
本文《Spatially interpretable artificial intelligence framework to tailored neoadjuvant dual HER2 blockade in HER2-positive breast cancer》，发表于《Signal Transduction and Targeted Therapy》杂志，系统探讨了如何通过人工智能整合常规病理切片中的空间信息，实现对HER2阳性乳腺癌患者新辅助双靶向治疗反应的精准预测。研究团队开发了HER2-LADDER模型，不仅具备高预测性能，还具有生物学可解释性，为个体化治疗决策提供了新工具。背景知识
HER2阳性乳腺癌约占所有乳腺癌亚型的15–20%，其特征为HER2基因的扩增或蛋白过表达，驱动下游PI3K/AKT和MAPK通路激活，促进肿瘤增殖与侵袭。尽管抗HER2单克隆抗体如曲妥珠单抗显著改善了患者预后，新辅助双靶向治疗（如曲妥珠单抗联合帕妥珠单抗）已成为标准方案，病理完全缓解（pCR）率可达45%以上，但治疗反应异质性显著，部分患者过度治疗，而另一些则原发耐药。当前缺乏可广泛应用于临床的预测工具，传统生物标志物如HER2 IHC 3+、HR状态和TILs虽有一定预测价值，但精度有限。基因组测序方法成本高、可及性差，限制了其广泛应用。因此，亟需一种基于常规检测、可重复且具有生物学解释性的预测模型。本研究的切入点在于利用广泛可得的H&E和HER2 IHC全切片图像，结合空间分辨的单细胞形态与拓扑特征，构建可解释的AI模型，以克服现有方法的局限。
研究方法与核心实验
研究团队构建了包含1,249例HER2阳性乳腺癌患者的多队列数据集，涵盖真实世界和前瞻性临床试验队列。模型开发基于FUSCC的358例接受TCbHP/PCbHP治疗的患者，使用配对的H&E和HER2 IHC切片进行数字扫描。通过深度学习算法HoVer-Net和D-PathAI分别实现肿瘤微环境细胞（如肿瘤细胞、淋巴细胞、中性粒细胞）和HER2膜表达强度的单细胞分割。随后应用sc-MTOP框架提取69个H&E和70个IHC空间特征，涵盖细胞比例、聚集性（Nsubgraph）、细胞间距离（MinEdgeLength）和连接度（Degree）。这些特征与临床变量（年龄、临床分期、HR状态）整合，通过多模型集成投票建立HER2-LADDER评分模型。模型在时间验证队列（N=82）和FASCINATE-N试验队列（N=85）中独立验证，AUC分别为0.903和0.869。进一步在ddAC-THP和CQUCH外部队列中验证其泛化能力。关键结论与观点
研究意义与展望
该研究为药物开发提供了新的生物标志物策略，即利用空间拓扑特征而非单一分子标记来预测抗HER2治疗反应。其可解释性AI框架有助于理解耐药机制，指导新型ADC或联合免疫治疗的设计。
在临床监测方面，HER2-LADDER基于常规切片，无需额外检测，易于整合至现有病理流程，具有高度临床可及性。未来可通过多中心RCT验证其在指导治疗降阶梯或升级中的价值，推动个体化治疗标准更新。
对于疾病建模，该研究展示了如何将数字病理与空间组学结合，构建“虚拟患者”模型。未来可扩展至其他癌症类型，建立通用的空间AI预测平台，推动精准肿瘤学发展。
结语
本研究开发的HER2-LADDER模型代表了HER2阳性乳腺癌精准治疗的重要进展。通过整合常规H&E和HER2 IHC切片的空间信息，该AI框架不仅实现了对新辅助治疗反应的高精度预测，更重要的是提供了生物学可解释的机制洞察。模型将患者分为不同风险组，直接指导治疗强度的个体化调整——从降阶梯化疗到换用下一代ADC，显著提升了临床决策的科学性。其在辅助队列中的预后价值进一步支持其作为长期风险分层工具的潜力。HER2-LADDER的成功展示了数字病理与空间组学结合的巨大价值，为从“组织学”迈向“空间数字表型”的转化医学研究提供了范例。未来，该模型有望成为临床常规工具，优化HER2阳性乳腺癌的治疗路径，减少过度治疗，改善患者生活质量，最终重塑该疾病的照护体系。
