10月17日，上海科技大学生物医学工程学院沈定刚课题组在《自然-生物医学工程》（Nature Biomedical Engineering）上发表标题为“Deep learning-based HER2 status assessment from multimodal breast cancer data predicts neoadjuvant therapy response”的研究论文，阐明了如何利用多模态乳腺癌影像数据及深度学习技术，构建可准确预测HER2状态及新辅助治疗反应的非侵入式智能诊断模型，有效克服了传统穿刺活检因肿瘤异质性导致的假阴性问题，为乳腺癌精准治疗策略的制定提供了新途径。
乳腺癌是全球女性发病率最高的癌症，早期患者的治疗决策高度依赖HER2状态的准确评估。目前临床金标准穿刺活检能提供诊断依据，仍存在明显局限：具有侵入性，且由于肿瘤内部存在HER2异质性（即同一肿瘤内不同细胞HER2表达水平不同），可能导致假阴性结果，致使部分本应受益于靶向治疗的患者错失治疗良机。
基于多模态乳腺影像的HER2状态和新辅助疗效预测模型
为解决这一难题，研究人员开发了一种基于深度学习的新型非侵入式方法——多模态对齐与预测模型（MAP）。MAP利用多模态影像（如乳腺钼靶、超声、磁共振），无需穿刺即可预测HER2状态。研究依托来自4个中心、6991例患者的大规模数据集进行训练与验证。结果显示，MAP的预测结果与术后病理一致性更高，且基于其预测的HER2状态所推断的新辅助治疗响应准确率，显著高于基于穿刺活检结果的预测。
这项研究突破了传统活检的局限，为乳腺癌HER2状态评估提供了一种更全面、无创且可靠的替代方案。通过深度学习整合多模态信息，不仅提升了诊断准确性，更真正实现了以临床疗效为终端的模型优化。这一方法有望在未来成为精准医疗的重要工具，帮助医生制定更合理的术前治疗方案，改善患者预后。
上海科技大学沈定刚教授，云南省肿瘤医院李振辉主任，香港城市大学张沁榕教授，陈苇恩教授为共同通讯作者，上科大沈定刚课题组硕士毕业生、现香港城市大学博士研究生张佳冬，上科大博士研究生李咏豪以及联影智能李哲人为共同第一作者，上海科技大学为第一完成单位。上科大超算中心对本文提供了技术帮助。
沪公网安备 31011502006855号