HER2阳性乳腺癌约占所有乳腺癌的15%-20%，侵袭性强，但也是靶向治疗最成功的亚型之一。曲妥珠单抗和帕妥珠单抗联合化疗的双靶向新辅助治疗，已成为全球标准方案，能使相当一部分患者实现病理完全缓解。

然而，一个棘手的临床问题是：治疗反应存在显著异质性。部分患者即使采用减量化疗也能获得良好疗效，可以考虑“降级治疗”以减少毒副作用；而另一些患者即便接受标准方案也反应不佳，可能需要直接使用新一代抗体-药物偶联物或酪氨酸激酶抑制剂。如何在治疗前准确区分这两类人群，一直是精准医学的痛点。

现有的预测工具——如HER2扩增状态和CD8⁺ 肿瘤浸润淋巴细胞计数——分辨率有限，难以有效分层。基于基因测序的方法虽前景广阔，但成本高、周期长，难以普及。

2026年6月19日，复旦大学马丁、邵志敏、狄根红、杨文涛和江一舟共同通讯在Signal Transduction and Targeted Therapy 在线发表题为“Spatially interpretable artificial intelligence framework to tailored neoadjuvant dual HER2 blockade in HER2-positive breast cancer”的研究论文。该研究开发了一个名为HER2-LADDER的人工智能框架，巧妙地解决了这一难题。它的核心创新在于：利用临床常规获取的病理切片，提取出远超肉眼所见的信息。

技术核心：让常规切片“开口说话”

HER2-LADDER整合了两类常规病理图像：苏木精-伊红染色切片，捕捉细胞形态、组织结构和微环境特征；HER2免疫组化切片，提供靶点表达强度及其空间分布信息。通过深度学习，该框架从这些图像中提取出空间解析的形态学和拓扑特征，构建了一个多维度的“肿瘤空间指纹”。

队列描述及HER2-LADDER构建流程（图源自Signal Transduction and Targeted Therapy ）

惊艳的性能：三个队列验证

在模型构建队列中，HER2-LADDER预测新辅助双靶向治疗反应的AUC达到0.944；在时间验证队列中为0.917；在基于临床试验的外部验证队列中为0.869。这些数据表明，该模型具有出色的预测性能和泛化能力。

临床价值：三分法指导精准决策

根据HER2-LADDER评分，患者被分为三组：低分组，高度敏感，可考虑降级治疗；中分组，敏感，适合标准方案；高分组，耐药，应考虑替代方案。这种分层直接对应临床治疗决策的调整，实现了从“一刀切”到“量体裁衣”的跨越。

生物学可解释性：AI不只是“黑箱”

研究团队还利用Xenium原位空间转录组学技术，揭示了模型预测背后的生物学关联，包括HER2富集的肿瘤细胞聚集以及中性粒细胞与辅助T细胞之间的相互作用，证明了该模型具有机制层面的解释能力。

这项研究的突破性在于，它将昂贵的空间组学信息“浓缩”进了常规病理切片中，通过AI实现了临床可及的精准预测，为HER2阳性乳腺癌的个性化治疗提供了实用的导航工具。

参考消息：https://www.nature.com/articles/s41392-026-02734-0