邵志敏/江一舟团队 | LINUX研究(2025):人工智能辅助分型的精准治疗提升了激素受体阳性/HER2阴性乳腺癌的治疗效果

在精准医学的时代，我们是否仍在对乳腺癌患者实施“一刀切”的治疗？邵志敏/江一舟团队最新发表的LINUX研究，或许正在悄然改写这一局面。这项发表于2025年的II期平台试验，不仅是一次临床治疗的探索，更是一场由人工智能驱动的病理学革命。研究团队利用深度学习模型，仅凭一张普通的H&E染色病理切片，就能将HR+/HER2-乳腺癌精准划分为四种分子亚型（SNF1-4），并据此为患者匹配不同的靶向或免疫治疗方案。结果令人振奋：在SNF2（免疫型）和SNF4（RTK驱动型）患者中，这种“AI分型+精准匹配”的策略显著提升了治疗有效率，而传统化疗则显得力不从心。这不仅仅是一篇关于新药疗效的论文，它向我们展示了一个未来场景：每个患者的治疗方案，可能将由算法阅读其肿瘤的“形态语言”后量身定制。然而，成功的背后，SNF1与SNF3亚型的“沉默”也提醒我们，肿瘤的异质性与进化能力远超想象，精准医疗之路依然道阻且长。接下来，让我们透过这项研究，一同审视AI如何为乳腺癌治疗绘制新蓝图，以及我们即将面临的深刻变革与未解之谜。

参考文献：DOI: 10.1016/j.ccell.2025.11.003

推荐阅读：

突破传统分型：多组学揭秘HR⁺/HER2⁻乳腺癌四大新亚型，精准治疗迎来新纪元

告别“一刀切”：HR+/HER2−乳腺癌迎来分型治疗新时代

一、研究背景

激素受体阳性/人表皮生长因子受体 2 阴性（HR+/HER2–）乳腺癌是最常见的乳腺癌亚型，占所有病例的约三分之二。对于 HR+/HER2– 转移性乳腺癌，内分泌治疗联合环依赖性激酶 4/6（CDK4/6）抑制剂已确立为一线标准治疗，其中位无进展生存期（PFS）为 2–2.5 年。然而，在 CDK4/6 抑制剂耐药后，目前尚无明确的标准治疗方案。后续治疗选择包括根据特定突变（如 PI3K-AKT-mTOR 通路、BRCA1/2 突变或 ESR1 突变）指导的内分泌治疗 ± 靶向治疗，或 CDK4/6 抑制剂再挑战，其中位 PFS 不超过 6 个月。随着疾病进展，对内分泌治疗的敏感性下降，治疗策略逐渐转向化疗为主。

抗体药物偶联物（ADCs）的出现已经改变了 HR+/HER2– 乳腺癌的治疗格局。在 DESTINY-Breast04 试验中，德曲妥珠单抗（T-DXd）在既往接受化疗的 HR+/HER2-low 患者中，将中位 PFS 延长至 10.1 个月。此外，在 DESTINY-Breast06 试验中，对于既往充分接受内分泌治疗但未接受化疗的患者，T-DXd 同样改善了 HER2-low 和 HER2-ultra-low 患者的中位 PFS。尽管 T-DXd 和戈沙妥珠单抗（sacituzumab govitecan）等 ADCs 取得了进展，但 ADCs 的抗肿瘤策略仍依赖于细胞毒性药物且患者适应症较宽泛。基于 HR+/HER2– 乳腺癌分子特征的精准治疗，特别是通过预测性生物标志物的识别，仍至关重要，需要进一步研究。

为阐明HR+/HER2– 乳腺癌的分子特征，已有大量研究工作。PAM50 基因表达亚型及风险模型在乳腺癌分子分类上具有里程碑意义。然而，基于 mRNA 的分类无法充分捕捉组织异质性和细胞含量差异。METABRIC 数据集涵盖 1977–2005 年诊断的患者，可能无法充分反映当前临床规范。同样，纪念斯隆-凯特琳癌症中心（MSKCC）队列由于缺乏多组学数据，其在全面探索基因组事件方面价值有限。虽然临床蛋白质组肿瘤分析联盟（CPTAC）在一定程度上弥补了多组学数据的缺口，但样本量有限，尤其是在 HR+/HER2 复发患者中，限制了对肿瘤异质性的全面探索。现有分子模型未能准确描绘肿瘤特征或识别个体生物学特性及治疗靶点。

为解决上述问题，我们此前对HR+/HER2– 乳腺癌患者样本进行了下一代测序联合代谢组学和蛋白质组学分析。利用大规模多组学数据和相似性网络融合（SNF）方法，我们识别出四种新型亚型：SNF1（典型腔型）、SNF2（免疫型）、SNF3（增殖型）和 SNF4（受受体酪氨酸激酶驱动型）。SNF 亚型在独立数据集（TCGA、METABRIC 和 CPTAC 队列）中进一步得到验证，显示出 SNF 分型系统的稳健性和可推广性。然而，多组学测序的高成本和复杂性可能限制其临床应用。

为克服这一障碍，我们开发了一种数字病理分类方法，通过卷积神经网络（CNN）分析病理全切片图像（WSIs）进行分子亚型分类，捕捉并整合肿瘤浸润淋巴细胞（TILs）、肿瘤相关成纤维细胞（CAFs）等关键形态学特征。该方法在交叉验证中获得的曲线下面积（AUC）分别为：SNF1 为 0.87，SNF2 为 0.81，SNF3 与 SNF4 均为 0.78，显示出基于数字病理和深度学习的亚型分化的可行性。此项工作为 HR+/HER2– 乳腺癌的分类及个体化治疗奠定了基础，但基于 SNF 分型系统的 AI 辅助精准治疗的临床疗效仍需进一步验证。

在此，我们报告LINUX 试验（BCTOP-L-M05）的研究结果。这是一项多中心、探索性、随机 II 期平台试验，采用贝叶斯设计，旨在基于 SNF 分型识别 HR+/HER2 进展期乳腺癌患者的精准治疗亚群。符合条件的患者在 CDK4/6 抑制剂治疗转移性疾病进展后，通过 AI 辅助数字病理分类为四种 SNF 亚型，并随机接受基于亚型的精准治疗（SNF1：依维莫司联合内分泌治疗；SNF2：卡瑞利珠单抗及法美替尼联合医生选择治疗 [TPC]；SNF3：福唑帕利联合 TPC；SNF4：阿帕替尼联合 TPC）或单独 TPC（单药卡培他滨、白蛋白紫杉醇、长春瑞滨或艾立布林）。报告了精准治疗策略与 TPC 的客观缓解率（ORR）、临床获益率（CBR）、PFS 及毒性。作为一项持续进行的平台试验，未来可能将更多新型精准治疗策略纳入精准治疗队列。

二、研究方法

1、研究设计与参与者

LINUX 试验（BCTOP-L-M05, NCT05594095）是一项正在进行的多中心、开放标签、随机对照 II 期自适应平台试验，纳入了在 CDK4/6 抑制剂治疗转移性疾病后出现进展的 HR+/HER2– 乳腺癌患者。HR+ 定义为免疫组化（IHC）雌激素受体（ER）阳性比例 >10% 和/或孕激素受体（PR）阳性比例 >10%。HER2– 定义为 IHC 0/1+，或 IHC 2+ 但荧光原位杂交（FISH）/显色原位杂交（CISH）阴性。

符合条件的参与者为女性 HR+/HER2– 乳腺癌患者，经复旦大学附属肿瘤医院（FUSCC）中心病理学复核确诊。雌激素受体、孕激素受体及 HER2 状态由两名病理学家独立验证，采用 IHC 和原位杂交方法，遵循美国临床肿瘤学会/美国病理学会（ASCO/CAP）指南。

数字病理分型在 FUSCC 及乳腺癌重点实验室对转移灶活检样本进行；若转移灶样本不可获得，则分析原发灶样本。根据数字病理分型，患者归类为四个分型（SNF1、SNF2、SNF3 和 SNF4），各分型具有不同分子特征。每个分型下均设有精准治疗组和对照组。由于平台中不断引入新的治疗策略，原则上每个分型同一时间仅测试一个治疗队列。

本探索性自适应研究的主要目标是识别潜在有效的精准治疗方案，为大规模 III 期试验提供依据。其他纳入标准包括：ECOG 体能状态 0–2，至少存在一处适合活检的靶病灶；排除标准包括脑转移失控患者。详细的纳入及排除标准见研究方案（Data S1）。

入组前，所有参与者均签署书面知情同意书，研究方案经各研究中心的机构审查委员会或独立伦理委员会批准。本试验遵循《药物临床试验质量管理规范》（GCP）及《赫尔辛基宣言》。参与中心包括复旦大学附属肿瘤医院、北京肿瘤医院、重庆大学附属肿瘤医院、辽宁肿瘤医院与研究所、中国医科大学附属第一医院及南昌市人民医院。

2、随机分组与盲法

本研究采用我们先前发表的深度学习模型，从病理全切片图像（WSIs）推断 SNF 分型（图 S6）。该模型基于 243 例同时具有 WSI 和多组学 SNF 分类的样本开发，能够捕捉并整合形态学变量，包括肿瘤浸润淋巴细胞（TILs）、癌相关成纤维细胞（CAFs）等。四个 SNF 分型在生物学特征和临床特征上存在差异。患者首先归类为四个 SNF 分型之一，并在确定治疗医师选择（TPC）方案后，以 1:2 的比例随机分配接受单独 TPC 或联合分型特异性精准治疗（图 S1）。随机分组采用区块大小为 6 的方式进行，实验组与对照组的随机分配比为 2:1，以在确保对照组充分比较的同时，为患者提供更多潜在获益的试验性治疗。随机分配序列由独立统计学家生成，区块大小由统计学家决定并对研究者保密。随机分组的详细信息通过编号顺序的不透明封口信封提供，研究者据此将患者分配至不同组别。

3、治疗方案

分型精准治疗组根据不同分型接受特异性治疗：SNF1：依维莫司（everolimus）10 mg 口服每日一次联合内分泌治疗；SNF2：卡瑞利珠单抗（camrelizumab）200 mg 静脉输注第 1 和第 15 天，联合法米替尼（famitinib）15 mg 口服每日一次及 TPC；SNF3：富祖帕利（fuzuloparib）100 mg 口服每日两次联合 TPC；SNF4：阿帕替尼（apatinib）250 mg 口服每日一次联合 TPC。对照组仅接受 TPC，由医师根据患者具体情况和既往治疗史选择方案，包括卡培他滨、白蛋白紫杉醇、长春瑞滨或依立替康。治疗持续至疾病进展、不可耐受毒性、医师决定或患者退出，且不允许交叉。除卡瑞利珠单抗外，允许进行剂量调整。治疗选择、毒性管理及剂量调整的详细说明见研究方案（Data S1）。

4、肿瘤评估

研究者在基线及每 8 周使用 CT 或 MRI 对肿瘤进行评估，直至疾病进展、患者退出、开始新的抗癌治疗或死亡。生存随访每 3 个月进行。每个治疗周期中，每周记录临床检查、血常规及患者报告的不良事件。额外安全性评估包括心电图、生化指标及其他检查，在每周期第 1 天进行。所有不良事件在研究期间及治疗结束后 30 天内（严重不良事件为 90 天）进行监测。按 NCI-CTCAE 5.0 版本记录不良事件，免疫相关不良事件按 MedDRA 术语识别。

5、研究终点

主要终点为 ORR（经研究者按实体瘤反应评价标准 RECIST 1.1 评估的确证完全缓解 [CR] 或部分缓解 [PR] 患者比例），CR 或 PR 需在至少 4 周后的连续肿瘤评估中确诊。次要终点包括 CBR（CR、PR 或疾病稳定 ≥24 周患者比例）、研究者评估的 PFS（自首次研究用药至疾病进展或死亡，以先发生者为准）及 OS（自首次研究用药至任何原因导致死亡）。安全性评估包括治疗相关不良事件（TRAE）的发生率及严重程度。

6、基因组测序与分析

本研究使用 FUSCC 乳腺癌检测面板，测序协议详见先前报道。肿瘤及匹配血样本使用 Illumina HiSeq X TEN 平台测序，每个变异由变异调用流程人工复核以排除假阳性。

7、TILs 与 CAFs 分析

TILs 百分比评估在代表性 H&E 切片上进行，采用 2014 年国际 TILs 工作组推荐的方法。TILs 评估范围为侵袭性肿瘤边界内，定义为肿瘤间质中浸润淋巴细胞所占比例。CAF 评估为纤维母细胞占肿瘤间质总面积的比例。

8、量化与统计分析

在研究过程中，每个 SNF 分型内不同精准治疗组的疗效（基于 ORR）通过贝叶斯监控方法进行监测（Data S2）。初步假设 ORR 的先验概率服从弱信息 Beta 分布（α=0.05，β=0.05），ORR 无效参考值设为 20%。每组精准治疗入组 10 例后计算后验概率，之后每增加 10 例患者更新一次。早期终止阈值为后验概率 ≥80%。若某 SNF 分型精准治疗组满足入组终止标准，该分型后续患者将接受标准治疗。

当每个 SNF 分型队列入组 30 例（精准治疗组 20 例，对照组 10 例）后，将计算精准治疗组优于对照组的后验概率，成功标准为 ORR 提高 ≥15% 的后验概率 >80%。首次计算后验概率前最多入组 30 例患者，后续入组决策基于后验概率。研究者可在可行性评估后，将新的靶向药物方案纳入精准治疗组并进行相应调整。

主要疗效分析采用意向治疗人群，包括每个 SNF 分型所有符合条件入组的患者。ORR 后验概率分布通过估计 ORR（分布均值）及 95% 贝叶斯可信区间报告。最终计算精准治疗组 ORR 提升 ≥15% 的后验概率。采用极弱信息先验 Beta(0.05,0.05) 以最小化对后验分布影响，同时进行了敏感性分析，包括 Beta(1,1) 和 Beta(1,4) 等先验假设。次要终点及亚组分析采用经典频率学方法，CBR 及 95% CI 采用 Clopper-Pearson 方法计算；事件时间结果采用 Kaplan-Meier 法估计，95% CI 由 Brookmeyer-Crowley 方法计算。安全性分析包括所有至少接受一次研究药物的患者。生物标志物分析采用非参数方法。次要终点的 p 值及置信区间未调整多重比较，不可视为确凿疗效证据。统计分析使用 SAS 9.4 与 R 4.4.1。本研究注册于 ClinicalTrials.gov (NCT05594095)。

三、研究结果

1、患者特征

在 2022 年 12 月 30 日至 2024 年 5 月 23 日期间，共有来自六个中心的 132 名女性患者接受筛查，其中 105 名患者入组，并随机分配至基于分型的精准治疗组（N = 70）或对照组（N = 35）（图 1）。基线特征在基于分型组与对照组之间总体平衡良好（表 1）。按 SNF 亚型显示的 ER 染色百分比与强度、肿瘤负荷及既往系统治疗背景见表 S1。

这些患者均为多线治疗患者，中位既往抗癌治疗次数为 2 次（转移期）。所有 105 名患者均接受过 CDK4/6 抑制剂联合内分泌治疗；此外，53 名（51%）接受过化疗，11 名（11%）接受过靶向治疗，6 名（6%）接受过免疫治疗，4 名（4%）在入组前接受过 ADC 治疗（表 1）。靶向治疗的详细方案见表 S1。基于分型组既往接受转移期化疗的患者比例高于对照组（54% 对 43%）。105 名患者中，有 84 名（80%）存在两个或以上转移器官，82 名（78%）存在内脏转移。截至 2025 年 5 月 20 日，中位随访时间为 18.3 个月（四分位间距 15.0–23.1 个月），仍在接受治疗的患者为 9 名（9%）。90 名（86%）患者因疾病进展停止研究治疗，3 名（3%）因不良事件停止治疗，1 名（1%）因安全顾虑撤回知情同意。此外，2 名（2%）患者在基线后肿瘤评估后失访（图 1）。

2、主要疗效终点

各基于分型精准治疗组的客观缓解率（ORR）及其后验概率分布如图 2 所示。在 SNF1 亚型中，前 15 名患者（精准组 10 名，对照组 5 名）入组后，ORR 小于 20% 的后验概率为 85.7%，超过预设的因无效而终止入组阈值（80%）。因此，SNF1 亚型精准组的入组被终止，随后 5 名 SNF1 患者均分配至对照组。SNF1 亚型基于分型组的估计 ORR 为 10%（95% 贝叶斯可信区间：0%–34%），对照组为 0%（95% 贝叶斯可信区间：0%–12%）。

SNF2 亚型中，基于分型组估计 ORR 为 65%（95% 贝叶斯可信区间：43%–84%），对照组为 30%（95% 贝叶斯可信区间：8%–60%）；SNF3 亚型分别为 40%（20%–62%）对 30%（8%–60%）；SNF4 亚型分别为 70%（49%–87%）对 20%（3%–49%）。SNF2（86.7%）和 SNF4（97.6%）亚型的基于分型组 ORR 优于对照组（至少增加 15%）的后验概率符合方案定义的成功标准（>80%），而 SNF3 亚型的后验概率（39.8%）低于 50%，符合终止标准。在采用不同先验假设的敏感性分析中，SNF2 和 SNF4 亚型仍符合升级标准，而 SNF3 亚型仍符合终止标准。

总体人群中，基于分型组估计 ORR 为 51%（95% 贝叶斯可信区间：40%–63%），对照组为 23%（95% 贝叶斯可信区间：11%–38%）（图 S2）。亚组分析显示，不同基线特征亚组中 ORR 的改善趋势一致（图 S3）。

3、次要疗效终点

各 SNF 亚型中基于分型组与对照组的临床反应见图 2 及表 S2。SNF1 亚型中，基于分型组的临床获益率（CBR）为 20%（95% 置信区间 [CI]：6%–51%），对照组为 20%（95% CI：4%–63%）。SNF2 亚型中，基于分型组的 CBR 高于对照组，分别为 80%（95% CI：58%–92%）与 40%（95% CI：17%–69%）。SNF3 亚型中，基于分型组的 CBR 为 50%（95% CI：30%–70%），与对照组的 50%（95% CI：24%–76%）相当。SNF4 亚型中，基于分型组的 CBR 为 75%（95% CI：53%–89%），明显高于对照组的 30%（95% CI：11%–60%）。各患者个体的详细疗效数据见图 S4A–S4C。

在 105 名患者中，90 名（86%）观察到 PFS 事件。如图 S4D 所示，SNF2 和 SNF4 亚型中，基于分型组的中位 PFS 延长。具体而言，SNF1 亚型中，基于分型组的中位 PFS 为 1.8 个月，对照组为 1.7 个月（风险比 = 0.84，95% CI：0.24–2.90，p = 0.78）。SNF2 亚型中，基于分型组的中位 PFS 为 8.1 个月，对照组为 4.3 个月（风险比 = 0.40，95% CI：0.17–0.93，p = 0.034）。SNF3 亚型中，基于分型组的中位 PFS 为 5.2 个月，对照组为 5.5 个月（风险比 = 0.88，95% CI：0.39–1.97，p = 0.76）。SNF4 亚型中，基于分型组的中位 PFS 明显延长至 7.0 个月，而对照组为 3.4 个月（风险比 = 0.34，95% CI：0.14–0.81，p = 0.015）。

总体生存（OS）事件发生在 105 名入组患者中的 10 名（10%）：SNF1 亚型 4 名（每组各 2 名）、SNF2 亚型 3 名（对照组 1 名，基于分型组 2 名）、SNF3 亚型 1 名（对照组）、SNF4 亚型 2 名（每组各 1 名）。各 SNF 亚型中，两组的中位 OS 均未达到。

4、毒性反应

总体而言，基于分型组中 70 名患者（100%）及对照组 35 名患者（100%）均出现至少一例任意等级的治疗相关不良事件（TRAE）；基于分型组有 26 名（37%）、对照组有 13 名（37%）出现 3–4 级 TRAE（表 S3）。最常见的 3–4 级 TRAE 为中性粒细胞计数下降（基于分型组 11 名 [16%]，对照组 8 名 [23%]）和白细胞减少（基于分型组 9 名 [13%]，对照组 9 名 [26%]；表 2）。所有报告的 TRAE 列表见表 S4。

SNF1 肿瘤患者接受依维莫司联合内分泌治疗时，3–4 级 TRAE 包括贫血（1 名 [10%]）、口腔黏膜炎（1 名 [10%]）、丙氨酸氨基转移酶升高（2 名 [20%]）及天冬氨酸氨基转移酶升高（1 名 [10%]）。

SNF2 肿瘤患者接受卡瑞利珠单抗及法美替尼联合 TPC 治疗时，3–4 级免疫相关不良事件包括丙氨酸氨基转移酶升高（3 名 [15%]）、天冬氨酸氨基转移酶升高（3 名 [15%]）及肾上腺功能不全（1 名 [5%]）。

SNF3 肿瘤患者接受福唑帕利联合 TPC 治疗时，3–4 级 TRAE 包括中性粒细胞计数下降（4 名 [20%]）、白细胞减少（3 名 [15%]）、贫血（2 名 [10%]）、腹泻（2 名 [10%]）、丙氨酸氨基转移酶升高（1 名 [5%]）及天冬氨酸氨基转移酶升高（1 名 [5%]）。

SNF4 肿瘤患者接受阿帕替尼联合 TPC 治疗时，最常见的 3–4 级阿帕替尼相关不良事件为手足综合征（3 名 [15%]）、高血压（4 名 [20%]）及蛋白尿（2 名 [10%]）。

严重 TRAE 在基于分型组中 70 名患者中报告 3 例（4%），对照组 35 名患者中报告 2 例（6%）。因 TRAE 调整剂量的患者，基于分型组 26 名（37%），对照组 13 名（37%）（表 S5）。因 TRAE 停药的患者，基于分型组 6 名（9%），对照组 2 名（6%）（表 S6）。

5、事后生物标志物分析

基因组分析纳入 55 名来自复旦大学附属肿瘤医院（FUSCC）的患者进行下一代测序。最常见的体细胞突变为 PIK3CA（51%）、TP53（36%）及 ESR1（22%）（图 S5A；表 S7）。单因素 Cox 回归分析显示：SNF1 亚型基于分型组中 NCOR1 突变患者 PFS 较短，SNF2 亚型中 TP53 突变患者 PFS 较长，SNF4 亚型中 GATA3 突变患者 PFS 较短（图 S5B）。

我们还检测了肿瘤浸润淋巴细胞（TILs）、癌相关成纤维细胞（CAFs）、组织学分级及 Ki67 指数，观察到 SNF1 亚型组织学分级及 Ki67 指数较低，SNF2 亚型 TILs 相对较高，SNF4 亚型 CAFs 相对较高，与我们之前的研究一致（图 2 及图 S5C–S5N）。然而，仅凭 TILs 或 CAFs 无法有效区分 SNF2 或 SNF4 基于分型组患者的治疗反应，提示仍需更多预测性生物标志物。

四、研究讨论

LINUX 是一项随机、对照、自适应平台试验，旨在评估 SNF 亚型特异性精准治疗的疗效，并通过综合平台研究为不同亚型识别量身定制的治疗方案。对于 SNF2 和 SNF4 亚型患者，精准治疗组的 ORR 优于对照组的后验概率达到了方案定义的成功标准；而 SNF1 和 SNF3 亚型的精准治疗方案则未能达到预期。总体而言，基于分型的精准治疗组 ORR 为 51%，明显高于对照组 TPC 的 23%。这些结果提示，基于 SNF 分型的精准治疗在 HR+/HER2 进展期乳腺癌患者中具有临床疗效，并为人工智能辅助的 SNF 亚型导向精准治疗策略在改善 HR+/HER2 乳腺癌预后方面提供了初步证据。

尽管分子亚型分类在肿瘤学研究中已广泛应用，其在临床管理中转化为切实改善的案例仍然有限。I-SPY2 新辅助平台试验提出了替代的乳腺癌亚型，以增强治疗反应，但临床实践中主要是调整现有疗法，而非实施精准分型治疗。此外，常规分子生物学检测通常仅覆盖少量基因变异，多组学分析在临床中应用受限于高成本和耗时。近期 AI 的发展引入了专用深度神经网络，利用千兆像素 WSIs，在癌细胞识别、分类、预后及治疗预测方面超越了人类表现。AI 可将影像分析与分子数据结合，以快速发现新的基因型–表型关系并评估基因组改变。利用常规的苏木精-伊红（H&E）染色切片，可反映包括 TILs、CAFs 等形态学特征，有助于这些发现。先前研究已在肺癌、前列腺癌、头颈癌及肝癌等多种肿瘤中识别出基因型–表型联系。基于这些研究，本研究进一步探讨了表型与多组学谱的关联，系统建立了基于图像的生物标志物，用于揭示 HR+/HER2 乳腺癌的分子特征。

本研究采用基于数字病理和深度学习的 SNF 分型方法。由于该分型系统依赖 H&E 染色病理切片，无需患者额外承担费用。建立该工作流程的主要支出包括：数字病理扫描仪、一台支持深度学习推理的服务器，以及用于暂存 WSI 文件的存储设备。此外，还需在医院内部或医院间建立高效的信息传输系统，包括：① 医院电子医嘱系统用于提交分类请求；② 病理科终端用于接收分类请求、扫描及上传图像；③ AI 指导的分型平台用于数据分析与报告反馈。实施的潜在障碍在于建立此类数据操作流程，尤其是 AI 指导的分型平台。

HR+/HER2 乳腺癌以 TILs 缺乏及 PD-L1 表达低而闻名，认为是“免疫冷”型。在既往 HR+ 转移性乳腺癌免疫检查点抑制剂试验中观察到的有限临床活性提示，精准选择患者人群对于提高免疫治疗疗效至关重要。新辅助 KEYNOTE-756和 CheckMate 7FL试验的亚组分析显示，免疫治疗对腔型乳腺癌的获益集中于特定免疫调节亚群。我们在先前四种 SNF 亚型的微环境分析中发现，SNF2 肿瘤中适应性免疫细胞数量显著增加，且 TILs 丰富，提示该亚型免疫细胞活化程度较高。对 I-SPY2 试验中 HR+/HER2 SNF2 队列的分析显示，接受抗 PD-1 免疫治疗的患者病理完全缓解率显著高于接受其他靶向治疗的患者。本研究中，SNF2 肿瘤仅接受 TPC 的最高 ORR 为 30%，提示该亚型对化疗敏感性增加，符合“免疫热”肿瘤对化疗反应良好的规律。

本研究中的 SNF2 亚型接受包括血管内皮生长因子受体（VEGFR）抑制剂的三联精准治疗方案，以辅助免疫治疗，该策略在三阴性乳腺癌免疫调节亚型中已有临床验证。化疗可引发抗肿瘤免疫反应，抗血管生成治疗可通过血管正常化促进免疫细胞进入，两者与免疫治疗联合时具有不同但潜在互补的作用。识别对免疫治疗敏感的 SNF2 亚型并采用三联方案，有望显著改善 HR+/HER2 乳腺癌患者的疗效。为此，本试验纳入卡瑞利珠单抗联合 TPC 的治疗臂，可更好评估法美替尼的附加效应，未来研究应增加此治疗臂以进行因子分析。

与其他亚型相比，SNF4 亚型对内分泌治疗不敏感，预后最差，是未满足医疗需求最迫切的亚型。在我们先前的研究中发现，SNF4 肿瘤富集了受体酪氨酸激酶（RTK）通路及若干关键 RTK，提示将 VEGFR2 抑制剂阿帕替尼加入 TPC 可能是一种可行策略。多项临床试验显示，阿帕替尼单药治疗转移性乳腺癌疗效明确且耐受性良好，在 HER2 阴性患者中 ORR 为 14.8%–42.3%，中位 PFS 为 4.0–6.9 个月，中位 OS 为 10.3–20.4 个月。潜在机制可能是间质细胞在加剧 SNF4 肿瘤中起关键作用，而阿帕替尼可有效抑制这些促癌间质细胞。

SNF3 亚型以 DNA 损伤修复缺陷和高染色体不稳定性为特征，即便在治疗压力下也表现出强大的肿瘤进化能力。尽管 PARP 抑制剂已获批准用于 gBRCA 突变乳腺癌患者，越来越多研究探索其在 HRD 阳性、体细胞 BRCA 突变、其他同源重组相关基因改变及通过 MammaPrint 筛选出的高风险乳腺癌患者中的潜在应用。HR+/HER2 乳腺癌中 PARP 抑制剂的疗效及生物标志物仍需进一步明确。本研究中 SNF3 亚型的精准治疗未达到成功标准，可能与福唑帕利（PARP 抑制剂）剂量不足有关，剂量限制源于血液毒性。PARP 抑制剂通过抑制 PARP 活性及“捕获” DNA 损伤位点的 PARP 发挥作用，若剂量不足，如低捕获抑制剂维利帕尼，福唑帕利的疗效可能受限。本试验中，依据既往研究，福唑帕利初始剂量为每日两次 100 mg 联合 TPC，但 35% 患者出现 3–4 级毒性被迫减至每日两次 50 mg，因此化疗联用导致的剂量下降可能削弱 PARP 捕获效能。此外，我们推测 SNF3 肿瘤在发展出对 CDK4/6 抑制剂耐药后，可能表现出降低 PARP 抑制剂敏感性的特征，如药物外排泵上调、DNA 损伤修复机制改变及细胞周期检查点激活。当前研究正在探索新一代 PARP 抑制剂联合 ADC 的策略，以提高 SNF3 亚型的 ORR。由于血液毒性限制 PARP 抑制剂与 ADC 联用，未来试验将探索可接受血液毒性的给药策略，如顺序、间隔或“假期”给药。

SNF1 亚型的有效治疗策略仍需进一步探索，该亚型在早期乳腺癌中对内分泌治疗敏感。然而，本研究中 mTOR 抑制剂依维莫司联合内分泌治疗的 ORR 仅为 10%，疗效不佳可能与高肿瘤负荷有关，尤其是内脏转移显著，其中肝转移比例较高。此外，SNF1 队列患者既往治疗经历较重，超过一半接受过化疗，一些患者存在 PIK3CA 或 ESR1 突变但未接受相应靶向治疗。然而我们注意到，TPC 的 ORR 仅为 0%，提示 SNF1 亚型对化疗同样反应不佳。未来研究需探索该亚型的新型治疗靶点。考虑到 ADC 的潜在疗效，本平台试验计划将 ADC 作为基础，并结合 SNF 亚型特异性精准治疗，以进一步改善 HR+/HER2 乳腺癌的治疗结局。

综上，本平台试验成功识别出 CDK4/6 抑制剂失败后 HR+/HER2 进展期乳腺癌患者的 SNF 亚型特异性精准治疗队列，为未来识别对免疫治疗敏感且对内分泌治疗耐药的患者群体提供了初步思路和潜在策略。本研究支持 AI 辅助分型导向精准治疗的潜力，并为优化 HR+/HER2 乳腺癌传统“一刀切”治疗提供参考。

本研究存在若干局限性。首先，本研究为探索性试验，采用贝叶斯设计，每个亚型队列的样本量相对有限。考虑到 SNF 亚型的 AUC 及每个队列患者数量较少，检测 ORR 的中等差异能力可能受限。例如，除生物学耐药性外，SNF1 和 SNF3 未获益也可能与统计学限制相关。我们正在设计随机对照 III 期试验，以验证本研究结果。

其次，AI 分型模型的 AUC 在各亚组间为 0.78–0.87，分类错误风险不可忽视，这可能导致某些亚组未观察到疗效。未来研究应在样本量计算中正式调整分类不确定性，并考虑减轻分类误差对亚组分析影响的设计策略，这对 AI 分型方法的临床转化至关重要。同时，我们计划未来应用诊断级模型，更全面评估 AI 指导 SNF 分型的质量。

第三，OS 数据尚不成熟，需要长期随访及更多事件。第四，本研究仅限于中国患者，需开展验证性试验以推广至其他人群。第五，对照组使用 TPC，尽管在本试验中基于分型组与对照组的 TPC 使用相对平衡，但不同化疗药物在机制、疗效及毒性上的异质性，使得将亚型特异性精准治疗与 TPC 直接比较存在挑战。

最后，由于干预性质，本研究采用非盲设计，但所有结果评估者及数据收集和分析人员均对治疗分组保持盲态，以减少开放标签偏倚的潜在影响。

五、个人观点

LINUX研究呈现的，远不止是一个阳性结果的临床试验，它更像是一面棱镜，折射出当下肿瘤学研究的几个核心范式转移。首先，它标志着我们正从“基因中心主义”向“表型整合”时代迈进。过去十年，我们执着于通过基因测序寻找驱动突变，但LINUX告诉我们，一张看似普通的病理切片，通过AI深度解读，其所蕴含的肿瘤微环境、细胞空间结构与相互作用的信息，可能比几个基因突变更能真实反映肿瘤的生物学行为与治疗脆弱性。这种“形态组学”的崛起，是对现有分子分型体系的重要补充，也让精准医疗的可及性大幅提升——毕竟，获取病理切片远比进行昂贵复杂的多组学测序更为现实。

其次，这项研究深刻揭示了乳腺癌“异质性”的双刃剑特性。成功区分出对免疫联合抗血管治疗敏感的SNF2亚型和对阿帕替尼应答的SNF4亚型，无疑是精准医学的胜利。但SNF1（典型腔型）和SNF3（增殖型）的失利，却暴露了我们认知的盲区。尤其是SNF1亚型，作为对内分泌治疗最敏感的群体，在晚期线数却对mTOR抑制剂联合治疗无动于衷，这迫使我们去思考：肿瘤的进化是否已使其彻底“背叛”了最初的起源特征？治疗压力下的克隆演变，可能创造出一个基因组上相似但功能上全新的疾病实体，这是我们当前静态分型模型无法捕捉的。因此，未来的分型或许必须是动态的、可追溯治疗史的，甚至需要实时监测。

最后，LINUX试验采用的贝叶斯自适应平台设计本身，就是一种方法论上的启示。它允许在试验过程中根据早期数据动态调整，甚至终止无效分支，这比传统固定样本量的III期试验更高效、更伦理，也更能适应精准医疗时代“小人群、多策略”的研发需求。然而，这也对统计推断和临床决策提出了更高要求。当AI模型以78%-87%的AUC进行分型时，那12%-22%的误判率在个体患者身上就是100%的命运偏差。如何量化并控制这种算法不确定性对疗效评估的影响，是AI迈向临床决策支持必须跨越的鸿沟。

总而言之，LINUX研究为我们点亮了一条道路：AI与数字病理的结合，能让精准医疗“飞入寻常百姓家”。但它也同时投下阴影：肿瘤的复杂性与适应性进化，仍在挑战着我们分类与干预的智慧。作为研究者，我们或许应保持这样的清醒：技术是强大的工具，但谦卑地理解疾病的本质，尊重其异质性与动态性，才是医学进步的永恒内核。下一步，不再仅仅是验证哪个亚型有效，而是思考如何建立一个能伴随肿瘤进化而自适应调整的、动态的精准治疗生态系统。