看得见生物学的病理AI|复旦肿瘤邵志敏、江一舟团队STTT:空间转录组验证,预测HER2阳性乳腺癌双靶响应

01 /推文概览

一句话总结：团队用1249例HER2阳性乳腺癌的常规HE和免疫组化切片，提取了肿瘤和微环境细胞的单细胞级空间特征，构建并验证了一个叫HER2-LADDER的多模态AI分层模型，用来指导新辅助治疗的阶梯式决策。

先看数据底子。这项研究整合了2020到2025年间多个独立队列，总样本量1249例。核心的模型构建队列是276例真实世界接受标准TCbHP/PCbHP的患者。为了看模型扛不扛得住时间漂移，又纳入了82例近期接受同方案的患者做时间验证。更硬的是两个独立验证，85例来自前瞻性单臂的FASCINATE-N试验，40例来自重庆大学附属肿瘤医院，后者用来检验跨中心、跨设备的泛化能力。此外还有一大批扩展队列，覆盖单纯紫杉联合双靶的降级方案、单靶方案、新一代ADC药物SHR-A1811，以及含吡咯替尼的TKI方案，用来试探模型在非标准场景下还灵不灵。

我读这篇时，最在意的是它和过去那批病理AI的根本区别。以往的病理图像模型大多是端到端的卷积网络，把一整张切片的上亿像素直接压成一个概率数字。能给数，但给不出理由，医生不知道这个数背后的生物学是什么，自然不敢信。这项研究走的是另一条路，先把细胞一个一个分割识别出来，再去算它们在空间上的网络关系。模型先在切片上认出肿瘤细胞和各类免疫、基质细胞的位置和类型，再用图论的方法去量化这些细胞彼此聚得多紧、间隔多远、谁处在网络的中心。从像素到细胞空间网络，这一步换来的是完整的可解释性，模型的每一次判断，背后都有具体的细胞形态学在支撑。

图注：展示研究的队列构成与HER2-LADDER的建模流程，从基线活检切片数字化，经HoVer-Net和D-PathAI做单细胞分割，到提取空间特征、输出阶梯式推荐方案的完整链路。

02 /核心创新点

把比例和强度的粗读，做成细胞空间网络的精读

常规病理诊断里，我们判断HER2状态，靠的是镜下阳性细胞的大致比例和细胞膜着色强度。这是一种粗读。可真实的肿瘤微环境是个复杂的生态，细胞之间不只有数量和种类的差别，还有位置怎么分布、谁和谁挨在一起、彼此离多远。只统计总比例和总强度，就像只做了一次人口普查，知道有多少人、各是什么职业，却看不见人群内部的关系网。

这项研究补的就是这张关系网。HE切片上，模型用HoVer-Net做单细胞实例分割，分出肿瘤细胞、基质细胞、淋巴细胞、中性粒细胞、巨噬细胞五类。免疫组化切片上，团队定制了D-PathAI算法，不光认肿瘤细胞，还按细胞膜着色的完整度和强度，把肿瘤细胞细分成强完整、强不完整、弱完整、弱不完整、阴性五个档。

分完之后，sc-MTOP框架把这些细胞的空间关系算成具体指标，同类或异类细胞聚成多大的团，相邻细胞间的最小距离有多近，单个细胞在局部网络里连接了多少邻居。落到临床上，这等于把两件以前肉眼难以量化的事变成了数字。一件是免疫细胞在空间上抱不抱团，比如中性粒细胞和淋巴细胞的聚集度。另一件是强阳和弱阳、染色不完整的肿瘤细胞在空间上混不混杂，也就是受体表达高低是否呈马赛克样交错。正是这种对空间异质性的捕捉，让模型预测单抗类药物敏感性的准确度，明显超过了颗粒度不够的传统标志物。

把一个能不能缓解的概率，拆成对得上临床路径的三档

传统疗效预测模型大多是二分类，只告诉你这个患者能不能达到pCR。但医生真正纠结的决策是阶梯状的。对极敏感的患者，能不能免掉伴随血液学毒性的卡铂。对中等敏感的，要不要稳住标准双靶。对高度耐药风险的，又该往哪个新方案上切。

为了对上这条路径，团队把年龄、临床分期、HR状态这些结构化临床变量，和病理图像里提取的空间特征放到一起做多模态融合。这里有个容易被略过但其实关键的工程细节，候选变量一开始有143个，经过共线性剔除和单因素筛选，最后只留下20个真正有区分力的特征，这一步大幅压低了过拟合风险。模型用了三个互补的基学习器，随机森林处理变量间的非线性和高维交互，加L2正则的逻辑回归提供清晰的概率，K近邻捕捉局部样本结构，三者用软投票集成。

最实用的一步在最后。模型按构建队列里评分的三分位，把患者客观地分成低危、中危、高危三档。连续概率一旦变成三个等级，每一档就直接对上一种治疗预期，低危考虑降级，中危守住标准，高危考虑换药。这样一来，模型的输出就能直接落到处方的下一步上。这种集成方式在经历时间漂移的验证队列和外部中心里，都保持了稳定。

把模型挑出的形态特征，拿空间转录组去对一遍生物学的账

病理AI长期被诟病知其然不知其所以然。哪怕模型找到了一组能预测疗效的形态特征，如果说不清这些特征在分子和信号通路上到底对应什么，医生出于安全和责任也很难真信。

这项研究做了一件多数同类工作没做的事，拿空间转录组去验生物学的账。团队挑了代表性穿刺样本，用涵盖免疫激活、基质、受体通路的380基因定制面板，对模型判为低危和高危的肿瘤各做了原位单细胞空间转录组测序，一共21例，其中低危11例、高危10例。

把图像上看到的形态，和转录组上测到的基因表达做空间配准之后，模型的判断就有了分子层面的对照。举两个例子。算法在高危切片上看到的膜染色马赛克，在单细胞分子分型里得到了印证，它对应的是HER2富集型肿瘤细胞和HR驱动的管腔型细胞在空间上的混杂交织，比单纯的染色深浅差异更深一层。算法在低危切片上看到的免疫细胞密集成团，则对应着中性粒细胞和辅助性T细胞之间活跃的抗原呈递和配受体信号。需要说明，样本量只有21例，这是机制层面的初步印证，谈不上定论。但它至少说明，模型抓到的特征有实打实的生物学落点，也为后面找耐药新靶点、做微环境干预留了线索。

图注：SHAP可解释性分析对各特征贡献度的排序，HE切片的微环境免疫聚集特征和免疫组化切片的受体表达异质性特征，都在模型判断里占据高权重。

03 /关键结果

光有架构上的漂亮还不够，这项研究真正的分量在结果。下面几组数据，作者都拿年龄、临床分期、传统受体强度、TILs评分这些常规变量做了对照基线。

先说区分能力。预测标准双靶方案的pCR，模型在276例构建队列里AUC做到0.944。换到82例时间验证队列，会面对数据分布的自然漂移，AUC仍稳在0.903。再到严格的前瞻性试验队列，AUC也有0.869。多变量逻辑回归里，调整年龄和临床分期后，评分每升高0.1，患者对标准双靶产生耐药的比值比就涨到接近7倍，这个连续指标的预测力，明显盖过了传统的HER2 IHC 3+状态和单纯的TILs评分。决策曲线分析也显示，在很宽的阈值区间里，这个集成模型的净获益都优于单个临床病理因素，也优于给所有人一律上最强方案的策略。

图注：模型在构建、时间验证、前瞻试验三个队列的ROC曲线和决策曲线分析，以及预测耐药的多因素森林图。

再说分层和方案的匹配，这是全篇最有临床指导价值的部分。降级的逻辑很清楚，省掉卡铂能大幅减少3级以上的血小板减少和贫血，但代价是整体人群的pCR会有所下滑，所以降级不能对所有人一刀切地做。模型给的解法，是先分清谁能降。被判为低危的患者，免卡铂的紫杉联合双靶和最强标准方案，pCR几乎在同一高位。到了中危和高危，不同路径的疗效就拉开了断层。具体看下表。

注：数据汇总自论文真实世界扩展队列与前瞻性试验队列。中危组里，标准方案80.0%对THP 7.7%的差距具有极高显著性，P值在10⁻⁷量级。

这张表把话说得很直白。中危患者必须靠加卡铂的高强度方案才能守住80%的缓解率，一旦贸然降到THP，疗效会塌到7.7%。高危患者更棘手，连指南推荐的标准双靶都撞上耐药墙，pCR跌破20%。但有个值得注意的增量信息，正是这批因受体空间高度异质而对传统单抗抵抗的高危人群，换用新一代ADC后，pCR能回到54.2%，过了一半。

这里要给模型的适用边界划条线。论文写得很谨慎，HER2-LADDER对ADC疗效只是中等程度的预测，比值比1.741；对TH联合吡咯替尼这类TKI方案，则没有显著预测力，比值比1.107，P=0.776。说白了，这个评分目前最稳的应用场景，还是标准单抗类方案的响应预测。把它直接外推到ADC和TKI的选择上，证据还不够。

图注：低中高三组在标准方案、去卡铂降级、单靶、ADC等不同策略下的pCR率对比，是指导治疗路径选择的核心证据图。

最后，研究把预后评估延伸到了术后辅助阶段。在282例完成术后辅助双靶、随访超过5年的独立队列里，基线判为高危的患者，OS和DFS都明显差于低危。高危组整体死亡的风险比高达7.17，复发或进展的风险比为2.94。也就是说，仅凭初诊活检那几张切片，模型读出的空间特征不只能预测眼前的化疗退缩，还能往前看几年，提示远期的复发和生存走向。

【原文配图插入建议】：请在此处插入论文中的图4

图注：术后辅助队列中，高危组与低危组的OS和DFS的Kaplan-Meier曲线，高危组的远期结局明显更差。

04 /延伸讨论

基于对病理图谱的深挖，这项研究没有停在做出一个预测工具，还顺带给耐药机制和微环境研究指了新方向。过去研究抗肿瘤免疫，注意力大多集中在细胞毒性T细胞的浸润和耗竭上。这项工作通过空间多组学看到了另一个角色，在对治疗高度敏感的低危微环境里，中性粒细胞明显聚集成团，而且和辅助性T细胞贴得很近。更关键的是，差异通路富集分析显示，这些处在紧密互动生态位里的中性粒细胞，上调了抗原受体介导的信号通路。配受体通讯分析进一步提示，在特定微环境信号刺激下，肿瘤浸润的中性粒细胞可能越过了它传统的固有免疫吞噬角色，获得了类似抗原呈递细胞的功能，能在局部直接激活辅助性T细胞，再引发对自然杀伤T细胞、巨噬细胞和浆细胞的级联放大。这条线索，从机制上解释了为什么具备这种免疫聚集特征的患者对联合靶向更敏感，也给激活或重塑中性粒细胞呈递功能的微环境干预，开了一个新口子。

图注：低危肿瘤微环境的免疫空间组织，中性粒细胞与辅助性T细胞紧密聚集，空间转录组进一步揭示了中性粒细胞的抗原呈递信号与下游免疫级联。

另一条机制线，是把受体空间分布的异质性和单抗疗效受挫对应了起来。曲妥珠单抗和帕妥珠单抗这类大分子单抗，要起效得先和细胞膜上连续、均匀、高密度的受体靶标牢牢结合。高危肿瘤在空间上呈现的强表达和弱表达细胞混杂交织的马赛克，相当于把这张结合面打得支离破碎，单抗的群体杀伤就传导不下去了。新一代ADC的逻辑不同。它靠可穿膜的毒素载荷和旁观者效应，毒素裂解了高表达细胞后能向周围弥散，连带把旁边低表达甚至不表达的肿瘤细胞一起杀掉，对空间异质性的容忍度高得多。这套空间药代机制，正好解释了高危人群为什么对标准双靶原发耐药、却能在ADC上重新拿到缓解，也给当前把ADC前置到早期新辅助的多项临床试验提供了理论支撑。

图注：HER2-LADDER高危与低危肿瘤在HER2膜表达上的空间差异，高危组呈现明显的马赛克样异质分布，并经Xenium单细胞分型与ERBB2通路基因验证。

客观看局限，也得说清楚。作为一项以回顾性样本为主的计算病理研究，几处权衡绕不开。其一，用于外部泛化和部分替代方案的亚组样本偏小，ADC和TKI治疗组的规模都还没到标准治疗组的量级，外部的重庆队列AUC也从院内的0.9以上回落到0.798，这些都需要更大规模的前瞻性头对头试验来夯实。其二，不同中心的扫描设备在分辨率和色彩还原上有差异，组织固定、切片厚度、抗体克隆号、显色时间这些前处理也存在批次波动。研究虽然做了色彩归一化和伪影处理，但要把模型铺到硬件参差的基层医院，染色和成像的标准化仍是绕不过去的前置工程。其三，AI从空间分布里推断出的免疫互作，目前只拿到了空间转录组的初步印证，要变成能在临床上阻断或激活的具体靶点，还得过体外功能实验和体内药效实验这两关。

当下HER2阳性乳腺癌的新辅助治疗，卡在降级避毒和升级克耐药并行的路口。一边是去卡铂、甚至无化疗免疫联合方案在压低治疗并发症，另一边是把高效ADC前置到高危早期患者去抬高疗效天花板。这些探索共同缺的，是一个能精准筛出敏感和耐药人群的伴随诊断级标志物，否则很难回答哪类患者该走哪条路。HER2-LADDER补的正是这一块。它最大的现实优势在门槛低，跑模型要的输入，就是患者确诊时本来就要做的常规HE和免疫组化切片，不用额外掏二代测序的钱，也不用等漫长的分子检测。医院把现有的数字病理图像接进部署好的分析系统，就能自动完成细胞分割、空间特征提取和疗效预判。当然，从概念验证到写进常规决策，中间还隔着前瞻验证这一步，这一点论文自己也讲得很清楚。

原文出处：Wu XR, Lv H, Zhao S, Zeng XH, Dai LJ, Xu YZ, Li YW, Qiu ZY, Huang JT, Zhang NN, Chen L, He M, Zhao YZ, Yang L, Zhou T, Li JJ, Wu J, Jiang YZ, Yang WT, Di GH, Shao ZM, Ma D. Spatially interpretable artificial intelligence framework to tailored neoadjuvant dual HER2 blockade in HER2-positive breast cancer. Signal Transduct Target Ther. 

— END —

我们手上有个AI+医疗的行业小群,里面是创业者、临床医生、医药企器械这些真在一线做AI临床落地的人。群里更实在的是线下,我们差不多每两周就会攒一次小局,十来个人围一桌,喝咖啡吃点心,聊各自在做什么、卡在哪。线上没赶上的,线下能补回来。

另外还有个偏科研向的群,想去的可以一起跟我说。

备注你的方向,我看到回你。