近日，国家癌症中心/中国医学科学院肿瘤医院联合透彻实验室的研究成果「Deep learning-based prediction of neoadjuvant therapy response in HER2-positive breast cancer through histopathology images of core biopsies」发表于ASCO，推动了HER2阳性乳腺癌新辅助治疗评估从单一维度向多模态数据深度融合的效能跃升。

HER2阳性乳腺癌作为一种高侵袭性的乳腺癌亚型，患者在接受新辅助治疗后若能达到病理学完全缓解（pCR），通常预示着更为显著的生存获益。然而，临床数据显示仅有约40%至60%的患者能真正实现pCR。如何在治疗启动前精准预判疗效，并在多种治疗方案中筛选出最优路径，成为当前临床精准诊疗的核心痛点。

针对这一临床挑战，本研究开展了一项涵盖四家中心、共计402名HER2阳性乳腺癌患者的回顾性研究。研究团队利用治疗前的H&E活检病理切片，采用多模态CAMEL2弱监督技术对组织学特征、患者临床指标及具体的治疗方案进行融合，并提出了一种名为HIPPM的多模态预测体系，还原临床诊疗的复杂逻辑。

在疗效预测的效能验证中，HIPPM的多模态数据融合展现了卓越的技术优势。实验数据显示，最初仅基于病理图像的单一模型在内部测试集中的AUC为0.71，准确率为70.6%；而多模态HIPPM模型，其内部测试集的AUC显著提升至0.85，准确率达到88.2%。这种性能的飞跃在多中心外部验证中得到了进一步印证。在外部验证集1中，HIPPM保持了0.94的AUC与95.2%的高准确率；而在环境更为复杂的外部验证集2中，HIPPM的AUC从0.61提升至0.74，敏感度由0.37增长至0.82。

为了进一步破解治疗方案选择的难题，研究团队深入分析了模型内部的决策逻辑。发现T分期、HER2表达水平、N分期以及具体的靶向治疗方案是影响pCR预测的关键核心变量，其影响力显著超过了年龄及传统的化疗方案等指标。基于上述发现，研究团队开发了一款具有高度临床实用价值的预测工具，支持患者在术前上传活检图像及临床信息，即可模拟预测12种虚拟治疗方案下的pCR概率。这种直观的数字化反馈能够协助医生为患者量身定制最佳的药物组合，从而有效规避无效化疗带来的副作用风险，并最大限度地挖掘治疗潜力。

这项研究有力地证明了看似常规的病理切片中蕴含着指引治疗路径的深层信息，能为新辅助治疗方案选择提供科学支撑。作为精准医疗的探索者，透彻未来将持续深耕病理人工智能，通过对临床痛点的精准切入，将复杂的病理特征转化为具有高度与温度的决策支持。我们致力于通过严谨的技术手段，让每一份病理切片都释放出守护生命的能量，驱动乳腺癌诊疗从经验医学向个体化精准医学全面跨越。