基于深度学习的胃癌HER2状态的病理图像自动评估与靶向治疗指导研究综述

基于深度学习的胃癌HER2状态的病理图像自动评估与靶向治疗指导研究综述1胃癌HER2检测的临床背景与现存挑战胃癌是全球范围内发病率第五、死亡率第四的恶性肿瘤，2025年全球新发病例超130万，东亚地区占比接近60%，其中我国每年新发胃癌病例超过48万，占全球新发总数的37%。人表皮生长因子受体2（HER2）作为胃癌最重要的生物标志物之一，其表达状态直接决定靶向治疗方案的选择：针对HER2阳性的进展期胃癌患者，曲妥珠单抗联合化疗可将总生存期从11.8个月延长至16.0个月，死亡风险降低31%，是目前HER2阳性晚期胃癌的一线标准治疗方案。临床常规HER2检测流程采用免疫组化（IHC）初筛结合原位杂交（ISH）确认的模式：IHC结果为3+直接判定为HER2阳性，IHC0/1+判定为阴性，IHC2+则需进一步通过ISH检测基因扩增状态最终确认。该流程在临床实践中存在多维度的局限性：首先是评估主观性强，不同病理医师对HER2染色强度、阳性细胞比例的判读一致性仅为65%-75%，尤其是针对IHC2+的交界性病例，观察者间差异可高达30%，基层医院病理科因经验不足导致的判读误差率更高达40%；其次是效率低下，单张病理切片人工判读平均耗时10-15分钟，大型病理科日均胃癌标本量可达上百例，病理医师负荷过重导致报告周期延长至3-5个工作日，部分患者因此错失最佳治疗窗口；此外，人工评估仅能实现半定量分析，难以捕捉肿瘤异质性带来的HER2表达空间分布差异，而研究证实HER2异质性阳性患者接受靶向治疗的应答率比均质性阳性患者低22%，传统检测模式无法为这类患者提供精准的治疗响应预测。2深度学习在病理图像HER2评估中的核心技术路径2.1全玻片图像的预处理与标注体系构建胃癌病理全玻片图像（WSI）单张数据量可达1-5GB，包含数十亿像素，直接输入深度学习模型会导致计算资源过载，因此需要首先进行切块处理：主流方案是将WSI按20×或40×放大倍数切割为256×256或512×512像素的图像块（patch），通过阈值过滤、颜色归一化去除空白区域、褶皱、染色不均等无效切片。颜色归一化是预处理中的关键步骤，不同病理科使用的染色试剂、扫描设备存在差异，导致切片颜色出现偏红、偏蓝等偏差，采用Macenko法、Vahadane法等染色分离技术可将RGB图像转换为苏木精-伊红（H&E）染色通道，统一不同批次图像的颜色分布，使模型的跨数据集泛化能力提升15%-20%。标注体系的构建直接决定模型性能，目前行业内形成了三级标注规范：第一级是像素级标注，由资深病理医师对图像块中的肿瘤区域、间质区域、坏死区域进行逐像素勾勒，用于训练语义分割模型识别肿瘤边界；第二级是块级标注，对每个包含肿瘤细胞的图像块标注HER2染色强度（0/1+/2+/3+）和阳性细胞比例，用于训练分类模型判断HER2表达水平；第三级是玻片级标注，整合整张WSI的所有图像块结果，结合临床金标准（IHC+ISH）给出最终HER2状态标签。针对标注成本高的问题，弱监督学习、半监督学习技术逐渐得到应用：仅使用玻片级标签训练的多实例学习（MIL）模型，性能可达到使用全标注数据模型的85%以上，大幅降低标注工作量。部分研究还引入主动学习策略，让模型自动筛选最难判读的交界性图像块提交给医师标注，在相同标注成本下可将模型准确率提升10%。2.2HER2表达自动评估的主流模型架构针对HER2染色强度识别任务，卷积神经网络（CNN）仍是当前的主流架构：ResNet系列、EfficientNet系列通过残差连接、复合缩放等技术，在图像块分类任务上的准确率可达到92%-95%，能够有效区分IHC0/1+和3+的典型病例。为了更好地捕捉细胞膜染色的精细特征，部分研究对CNN架构进行针对性优化：在特征提取层加入注意力机制，让模型重点关注细胞膜区域的纹理特征，而非细胞质、细胞核等无关区域，使染色强度判读准确率提升3-5个百分点；引入多尺度特征融合模块，同时提取低倍镜下的细胞分布特征和高倍镜下的染色细节特征，解决肿瘤细胞异质性带来的局部特征偏差问题。针对整张WSI的HER2状态预测，多实例学习框架成为行业标准：基于注意力的MIL模型（AB-MIL）可以自动对所有图像块分配权重，重点关注HER2高表达的关键区域，无需逐块标注即可实现玻片级的HER2状态判断。2024年发表在《NatureMedicine》的研究显示，采用Transformer架构的MIL模型在15个中心的12000例胃癌标本上，HER2阳性识别的AUC达到0.962，灵敏度为94.3%，特异度为92.7%，性能超过了平均年资8年的病理医师。针对IHC2+的交界性病例，深度学习模型的优势更为显著：通过提取细胞膜染色的连续性、强度分布的均匀性等人工难以量化的特征，模型可以直接区分其中的ISH阳性和阴性病例，准确率可达88%，可使40%以上的IHC2+患者避免额外的ISH检测，大幅降低检测成本和等待时间。2.3模型泛化能力提升与临床验证体系跨中心、跨设备的泛化能力是深度学习模型落地的核心瓶颈，目前主要通过三种技术路径解决：一是域适应技术，通过对抗训练让模型学习不同数据集之间的共性特征，降低域偏移带来的性能下降，研究显示采用领域对抗神经网络（DANN）可使模型在外部数据集上的准确率下降幅度从15%降低到5%以内；二是大模型预训练，使用百万级别的通用病理图像对模型进行预训练，学习细胞形态、组织结构等通用病理特征，再针对胃癌HER2任务进行微调，相比从零开始训练的模型，预训练模型在小数据集上的性能可提升20%以上；三是联邦学习技术，在不共享原始病理数据的前提下，联合多个中心的数据共同训练模型，模型性能接近集中训练的效果，同时满足医疗数据隐私保护的监管要求。临床验证需遵循严格的监管规范，按照医疗器械开发的流程开展：首先是回顾性验证，在多中心、大样本的独立数据集上验证模型的灵敏度、特异度、准确率、Kappa值等核心指标，要求与金标准的一致性Kappa值≥0.85；其次是前瞻性临床试验，在真实临床场景中评估模型的实际应用效果，包括判读一致性提升幅度、报告周期缩短时长、患者预后改善情况等指标；最后是常态化性能监测，模型上线后需持续收集临床反馈数据，定期更新迭代，确保在不同人群、不同设备上的性能稳定。2025年我国首个胃癌HER2病理人工智能辅助评估产品通过NMPA三类医疗器械认证，其临床试验数据显示，该产品可将病理医师的判读一致性从72%提升至94%，平均判读时间从12分钟缩短至3分钟，IHC2+病例的ISH检测需求降低38%。3深度学习辅助HER2靶向治疗决策的研究进展3.1HER2靶向治疗响应预测传统HER2检测仅能判断阳性或阴性，无法进一步预测患者对靶向药物的响应程度，而深度学习模型可以挖掘病理图像中与治疗响应相关的隐性特征，实现更精准的疗效预测。研究发现，HER2表达的空间异质性特征与曲妥珠单抗响应密切相关：模型通过量化整张WSI中HER2阳性区域的分布密度、相邻阳性区域的距离、阳性区域与免疫细胞浸润区域的空间位置关系等特征，可将HER2阳性患者的治疗响应预测准确率提升至82%，比传统基于阳性细胞比例的预测方法高17个百分点。2023年《LancetOncology》发表的研究显示，结合病理图像特征、基因组数据、临床数据的多组学模型，可将曲妥珠单抗新辅助治疗的病理完全缓解（pCR）预测AUC提升至0.91，能够有效筛选出最可能从靶向治疗中获益的患者，避免无效治疗带来的医疗资源浪费和患者不良反应。针对HER2低表达（IHC1+或IHC2+/ISH阴性）胃癌的治疗选择，深度学习模型同样展现出应用价值：既往研究认为HER2低表达患者无法从曲妥珠单抗治疗中获益，但最新研究显示，部分HER2低表达患者存在灶性高表达区域，深度学习模型可以识别出这类存在隐匿性HER2高表达的患者，该类患者接受曲妥珠单抗联合化疗的客观缓解率比普通HER2低表达患者高28%。此外，针对新一代HER2抗体药物偶联物（ADC）如德曲妥珠单抗的治疗响应预测，深度学习模型可以通过提取肿瘤微环境特征、HER2表达的异质性特征，预测ADC药物的内吞效率和抗肿瘤活性，目前相关研究已进入临床试验阶段，初步结果显示预测准确率可达79%。3.2预后风险分层与治疗方案优化深度学习模型可以从HER2病理图像中提取与患者预后相关的高维特征，实现更精准的预后风险分层。研究显示，HER2表达的空间异质性评分、肿瘤浸润淋巴细胞密度与HER2阳性区域的共定位特征、间质纤维化程度等特征，都是独立的预后预测因子，整合这些特征的深度学习模型可以将HER2阳性胃癌患者的3年生存率预测准确率提升至85%，比传统TNM分期系统的预测准确率高18个百分点。基于模型的风险分层结果，临床医师可以为高风险患者制定更强化的治疗方案，如增加靶向治疗周期、联合免疫治疗等，为低风险患者减少过度治疗。在治疗方案优化方面，深度学习模型可以辅助临床医师选择最佳的联合治疗策略：针对HER2阳性同时PD-L1高表达的患者，模型可以通过分析病理图像中HER2表达与免疫细胞的空间分布特征，预测患者从曲妥珠单抗联合免疫治疗中的获益程度，2024年的一项多中心研究显示，模型筛选出的高获益人群接受联合治疗的客观缓解率达67%，显著高于传统筛选人群的42%。此外，针对靶向治疗耐药的患者，深度学习模型可以通过分析耐药前后的病理图像特征变化，识别耐药相关的形态学标志物，为下一步治疗方案的调整提供参考，目前已有研究发现，HER2阳性区域出现显著的肉瘤样转化特征时，往往提示曲妥珠单抗耐药，这类患者换用ADC药物的响应率更高。4现存问题与未来发展方向当前深度学习在胃癌HER2评估领域仍存在三方面的核心问题：一是小样本学习能力不足，针对罕见的HER2异质性病例、特殊组织学类型（如印戒细胞癌）的HER2判读准确率仍低于80%，需要更多的罕见病例数据支撑模型优化；二是可解释性不足，深度学习模型的“黑箱”特性导致病理医师难以理解判读依据，降低了临床信任度，目前类激活映射（CAM）、注意力权重可视化等技术仅能展示模型关注的区域，无法给出符合病理诊断逻辑的解释，如“该区域细胞膜染色完整且强度较高，符合3+特征”；三是临床落地的流程整合不足，多数模型仍处于独立运行状态，未与病理科的信息系统（LIS）、图像管理系统（PACS）深度整合，无法融入病理医师的常规工作流，增加了使用门槛。未来的研究将主要聚焦四个方向：一是多模态融合模型的开发，整合H&E病理图像、IHC图像、基因组数据、临床数据等多源信息，实现从HER2状态评估到治疗响应预测、预后判断的全流程分析；二是大语言模型与病理AI的结合，利用大语言模型的自然语言理解和生成能力，自动为模型的判读结果生成符合病理报告规范的解释性文字，提升模型的可解释性和临床接受度；三是实时术中HER2评估，针对胃