编辑推荐：
目前临床 HER2 检测存在问题，研究人员开展基于 HE 染色全切片图像（WSIs）的 HER2 评分模型研究。开发出 TL - PA 模型，在多队列中表现良好，但捕捉类内变异性不足。该研究为 HER2 自动评分提供新方向。
在乳腺癌的治疗领域，准确判断人表皮生长因子受体 2（HER2
+）状态至关重要。它是乳腺癌重要的治疗靶点，大约 15 - 20% 的乳腺癌患者为 HER2 阳性，这类患者能从抗 HER2 靶向治疗中显著获益。然而，当前临床 HER2 检测的金标准 —— 免疫组化（IHC）和荧光原位杂交（FISH）存在一些问题。不同病理学家的经验差异以及检测设备质量参差不齐，会导致检测结果出现观察者间的变异性，尤其在 HER2 低表达组，这一问题会严重影响治疗决策。而且，IHC 检测既耗时又昂贵，寻找更高效、低成本的检测方法迫在眉睫。在这样的背景下，基于苏木精 - 伊红（HE）染色的 WSIs 检测方法进入了研究人员的视野。基于细胞层面分子差异会表现为形态表型的假设，HER2 指标在 HE 染色的 WSIs 上或许比其他放射学检查更易辨别。但肿瘤的异质性，加上玻片制备、扫描和标注等外部因素的干扰，使得相关计算病理学模型的普适性受到挑战。此前的研究还忽略了 HER2 阳性和阴性组内的变异性，并且缺乏多队列验证。因此，开展一项新的研究，开发出更可靠的 HER2 评分模型，成为了乳腺癌研究领域的重要课题。
为了解决上述问题，来自江门中心医院、杭州电子科技大学等机构的研究人员开展了一项基于多队列的研究。他们收集了来自五个队列的 578 张 HE 染色的 WSIs，其中包括三个公共数据集和两个私有数据集。研究人员训练并验证了两种模型框架，分别是基于子分类器聚合的模型和基于多实例学习（MIL）的模型，旨在开发一个强大的 HER2 评分模型，并评估其捕捉与病理学家注释一致的 5 级有序模式的能力。该研究成果发表在《Breast Cancer Research》上。
研究人员在这项研究中用到了几个主要关键技术方法。首先是数据收集，从多个公共和私有数据源获取乳腺癌患者的 HE 染色 WSIs 样本队列。然后采用了转移学习技术，利用 Swin - T（Swin - transformer - Tiny）作为转移学习的载体，通过在 CIFAR - 100 数据集上预训练，再对模型进行微调。还使用了自适应裁剪技术，固定补丁（patch）级视图大小，减少扫描差异带来的影响。在模型构建上，对比了基于子分类器聚合和 MIL 的不同模型。
下面来看具体的研究结果。
- Patch 级预测：经过 200 轮完整训练和 20 轮转移学习后，训练集准确率稳定在 0.61。四个验证队列的 Patch 级 ROC 曲线下面积（AUC）约为 0.6，验证集准确率在 0.23 - 0.44 之间。Patch 分析表明，高等级的 Patch 具有更低、更分散的频域能量和更少的细胞数量。
- WSI 级预测：TL - PA 模型在四个验证队列中取得了最高且最稳健的 AUC，内部验证集（队列 A）为 0.75，外部验证集（队列 B、C、D）为 0.76 ± 0.01。相比之下，基于 MIL 的模型泛化能力较弱。在与真实 HER2 状态的相关性分析中，TL - PA 模型预测分数与真实 HER2 状态的相关性较弱（队列 C 和 D 的 Spearman 等级相关系数分别为 0.371 和 0.369，P = 0.001），在 5 级 HER2 分类任务中存在明显误分类情况。
- 与 NAT 的相关性：在新辅助治疗（NAT）队列中，TL - PA 模型的评分范围与 HER2 阳性样本相似，非病理完全缓解（non - pCR）组的预测分数普遍高于 pCR 组。以 non - pCR 为阳性对照，AUC 为 0.77。预测分数与残余癌负荷（RCB）等级呈中度相关（Spearman 相关系数为 0.45，P(Spearman )=0.0006）。
在研究结论和讨论部分，研究人员开发的 TL - PA 模型在 HER2 评分上展现出一定的优势，在多队列验证中表现良好，证明了基于转移学习的特征提取器与基于规则的实例聚合相结合的可行性。然而，该模型在捕捉与病理学家推理一致的 5 级有序模式方面存在不足，尤其在 HER2 阴性病例中难以捕捉类内变异性。研究还发现，肿瘤周围环境，特别是间质区域，可能与 NAT 疗效密切相关。此外，研究存在一些局限性，如转移学习过程中存在大量噪声补丁，影响模型性能；TL - PA 模型在外部验证时存在基线漂移，给 5 级分类带来困难。未来的研究可以通过整合 HER2 - IHC 图像引导模型注意力，以及采用基于基础模型的联邦转移学习等方法来改进。总体而言，这项研究为乳腺癌 HER2 自动评分提供了新的思路和方向，尽管模型存在不足，但为后续研究奠定了基础，有望推动乳腺癌精准医疗的发展。
