编辑推荐：
乳腺癌的 HER2 表达状态对治疗意义重大，但其传统检测有创且不够精准。研究人员开展基于18F-FDG PET/CT 影像组学识别乳腺癌 HER2 表达状态的研究，构建多种模型，结果显示模型能有效区分 HER2 不同表达状态，助力精准治疗。
在女性恶性肿瘤的 “舞台” 上，乳腺癌无疑是最引人注目的 “主角” 之一，它的发病率在女性癌症中占据首位，严重威胁着女性的健康。人类表皮生长因子受体 2（HER2）作为乳腺癌中的关键 “角色”，其表达状态不仅与乳腺癌的发展、预后紧密相连，更是决定治疗方案的重要 “指南针” 。以往，HER2 阴性表达被简单归为一类，但随着研究的深入，如今它被细致地重新划分为 HER2 低表达和 HER2 零表达。
对于 HER2 过表达的乳腺癌患者，传统的 HER2 靶向治疗能显著改善预后；HER2 低表达的患者，占所有乳腺癌患者的 40 - 50%，新兴的抗体 - 药物偶联物（ADC）疗法为他们带来了新希望；而 HER2 零表达的患者则不适用 HER2 靶向治疗。由此可见，精准判断 HER2 表达状态对乳腺癌患者的治疗选择和预后意义非凡。
然而，目前临床常用的术前 HER2 状态检测方法 —— 活检，存在诸多 “短板”。活检属于有创操作，会给患者带来身体上的痛苦和潜在风险，而且术前获取的组织样本量有限，难以准确反映整个肿瘤的真实情况，就像管中窥豹，无法一探究竟。因此，迫切需要一种精准、实用又无创的检测技术。
在此背景下，天津医科大学肿瘤医院等机构的研究人员挺身而出，开展了一项极具价值的研究。他们的研究成果发表在《Cancer Imaging》上，为乳腺癌 HER2 表达状态的检测开辟了新道路。
研究人员运用了多种关键技术方法。他们收集了来自两个机构的 315 例乳腺癌患者的资料，这些患者均接受了术前18F - 氟脱氧葡萄糖正电子发射断层扫描 / 计算机断层扫描（18F-FDG PET/CT）检查。通过 3D Slicer 程序和 Python 对乳腺病变进行感兴趣区域（VOI）分割，从 PET 和 CT 图像中提取大量影像组学特征。随后，运用多种统计学方法进行特征筛选，构建了包括逻辑回归（LR）、k 近邻（KNN）、支持向量机（SVM）和随机森林（RF）在内的机器学习分类器模型。
研究结果主要从以下几个方面展开：
- 临床病理特征分析：对内部和外部机构患者的临床病理特征分析发现，雌激素受体（ER）和孕激素受体（PR）状态在不同 HER2 表达状态的患者组间存在显著差异，这两个特征也因此被选入后续构建的影像组学模型1。
- 影像组学模型构建：经过一系列筛选，最终确定了 8 个用于区分 HER2 过表达与其他状态、10 个区分 HER2 低表达与其他状态、2 个区分 HER2 零表达与其他状态的影像组学特征。结合这些特征与 ER、PR，利用四种机器学习分类器构建并筛选出最优模型2。
- 模型预测性能评估：不同模型在预测 HER2 表达状态上各有所长。在训练集、独立验证集和外部验证集中，RF 模型在区分 HER2 过表达与其他状态时表现出色，AUC 值分别达到 0.843、0.785 和 0.788；LR 模型在区分 HER2 低表达与其他状态时更具优势，AUC 值分别为 0.783、0.756 和 0.779；KNN 模型则在区分 HER2 零表达与其他状态时表现最佳，AUC 值分别为 0.929、0.847 和 0.835345。
从研究结论和讨论部分来看，该研究成果意义重大。研究首次证实基于18F-FDG PET/CT 影像组学模型能够有效区分乳腺癌患者的三种 HER2 表达状态。这不仅有助于医生为 HER2 过表达患者精准选择传统 HER2 靶向治疗方案，也能为 HER2 低表达患者匹配新兴的 ADC 治疗（如曲妥珠单抗德鲁替康，T-DXd） ，真正实现乳腺癌的个性化精准治疗。
不过，研究也存在一些有待完善的地方。比如，CT 图像的手动 VOI 分割过程既繁琐又主观，未来需要更标准化的算法来提升客观性和可重复性；此次研究仅纳入了两个机构的患者，样本覆盖范围较窄，后续还需多中心研究进一步验证结论；而且研究对象仅局限于浸润性导管癌，未涉及其他组织学类型的乳腺癌。但这些不足并不能掩盖该研究的光芒，它为乳腺癌 HER2 表达状态的无创检测和精准治疗奠定了坚实基础，为后续研究指明了方向，有望在未来的临床实践中大放异彩，为广大乳腺癌患者带来更多的生存希望和更好的生活质量。
