0 引言

       乳腺癌是女性发病率最高的恶性肿瘤，也是女性癌症相关死亡的主要原因^[1]，因此，乳腺癌的预防、诊断、治疗以及疗效评估至关重要^[2]。乳腺癌在组织学形态、病理特征及治疗疗效等方面具有高度异质性^[3]。人表皮生长因子受体2（human epidermal growth factor receptor 2, HER-2）基因位于人类染色体17q21上，是酪氨酸受体激酶ErbB家族的成员之一，可促进乳腺肿瘤细胞增殖并抑制其凋亡，是乳腺癌预后和治疗的重要生物标志物^[4]。抗HER-2疗法的发展已经在新辅助和辅助治疗以及转移性疾病中显著改善了HER-2阳性乳腺癌患者的预后^[5]。因此在临床中，需要区分HER-2阳性和阴性乳腺癌以选择治疗方案。有研究发现，根据免疫组织化学（immunohistochemistry, IHC）和原位杂交（fluorescence in situ hybridization, ISH）技术，HER-2阴性乳腺癌又可进一步划分为HER-2低表达（IHC 1+，或IHC 2+但ISH未扩增）和HER-2零表达（IHC 0）^{[6, 7]}。HER-2低表达和HER-2零表达乳腺癌具有不同的临床病理特征^[8]，包括病理学完全缓解率的差异以及治疗后生存率的差异^[9]。约45%~55%的乳腺癌表现出HER-2低表达水平，且有新型的HER-2靶向治疗药物（如抗体偶联药物德曲妥珠单抗）已被证明可显著延长HER-2低表达乳腺癌患者的无进展生存期^{[10, 11]}，而HER-2零表达型乳腺癌患者则不适合接受HER-2靶向治疗^[12]，主要通过手术、化疗、放疗等方法治疗。因此，进一步区分HER-2低表达型和HER-2零表达型乳腺癌正受到越来越多的关注。

       在目前的临床实践中，术前HER-2状态评估通常基于有创的活检标本病理分析，但由于乳腺癌在多个水平上具有相当大的异质性，有限的活检组织可能无法全面代表整个肿瘤的遗传、表观遗传和表型改变^[13]。此外，HER-2在乳腺癌中的表达状态会在治疗过程中随时间变化^[14]。侵入性的活检或手术并不适合动态监测HER-2状态。因此，需要一种简单、实用、无创的方法来评估乳腺癌患者的HER-2表达状态。MRI凭借其较高的软组织分辨率已成为乳腺癌诊断及疗效评估的重要工具，能够实时非侵入性地评估肿瘤血管和细胞结构的生物学特征，但常规MRI提供的信息有限，因此常应用多参数MRI（multi-parameter magnetic resonance imaging, mpMRI）对乳腺癌进行诊断、分类和新辅助化疗效果的评估等^[15]。影像组学分析可以将医学图像转化为多维数据，从微观和空间视图中反映肿瘤的分子特性和肿瘤异质性^[16]，有助于提高乳腺癌的检出率，从而改善患者的预后。

       尽管已有综述探讨影像组学在乳腺癌分子分型中的整体应用，或聚焦于HER-2阳性与阴性乳腺癌的鉴别^{[17, 18]}，但鲜有研究系统梳理和总结mpMRI及影像组学在区分HER-2低表达与零表达这一细分领域中的研究进展，且现有研究存在泛化性不足、影像组学特征提取与分析流程标准不统一、影像组学特征与分子生物学特征机制关联不明、临床转化滞后等问题。因此，本文主要对mpMRI及影像组学在区分HER-2低表达和零表达中的研究进展进行综述，分析了目前研究的局限性，并提出了未来的研究方向，以期为乳腺癌的精准诊疗提供一定的帮助。

1 文献检索方法

       本文对mpMRI及影像组学在区分乳腺癌HER-2低表达和零表达状态的相关文献进行了系统检索与梳理。计算机检索PubMed、Web of Science及中国知网（CNKI）数据库，考虑到影像组学概念于2012年被正式提出，检索时限设定为2012年1月至2025年12月。文献检索采用主题词与自由词相结合的方式，英文检索式主要为：（“multiparametric MRI” OR “mpMRI” OR “magnetic resonance imaging” OR “radiomics” OR “deep learning”）AND（“breast cancer” OR “breast neoplasms”）AND（“HER2-low” OR “HER2-zero” OR “HER-2” OR “human epidermal growth factor receptor 2”）；中文检索式主要为：（“多参数磁共振”OR“磁共振成像” OR “MRI” OR “影像组学” OR “深度学习”）AND（“乳腺癌” OR “乳腺肿瘤”）AND（“HER-2低表达”OR “HER-2零表达” OR “HER-2”）。

       文献的纳入标准：（1）研究对象为人类乳腺癌患者；（2）研究主题为评估MRI技术（含常规与功能序列）或影像组学特征在鉴别HER-2低表达与零表达状态中的诊断效能；（3）研究设计为回顾性或前瞻性临床研究；（4）发表语种为英文或中文。排除标准：（1）动物实验或体外基础研究；（2）个案报道、信件、社论及无法获取完整数据的会议摘要；（3）重复发表或数据严重缺失的文献。

2 mpMRI在区分HER-2低表达和零表达中的现状

2.1 动态对比增强磁共振成像

       动态对比增强磁共振成像（dynamic contrast-enhanced MRI, DCE-MRI）不仅可以显示乳腺癌的形态、大小、边缘情况等形态学特征，其定量参数如容积转运常数（capacity transfer constant, K^trans）、速率常数（rate constant, Kep）、血管外细胞外间隙容积比（extravascular extracellular volume fraction, Ve）等可量化反映肿瘤内部血流灌注、血流动力学等功能特征^[19]，HER-2因子可诱导血管内皮生长因子，并与肿瘤新生血管形成密切相关^[20]，因此，DCE-MRI在评估乳腺癌HER-2状态方面具有突出的优势。YANG等^[21]的研究发现DCE-MRI的定量参数值在富含HER-2的肿瘤中较高，且Kep与激素受体（hormone receptor, HR）状态独立相关。ZHAO等^[22]的研究结果中发现HER-2低表达乳腺癌与HER-2零表达相比，DCE-MRI相关参数K^trans和 Kep值往往更高，这可能是由于HER-2低表达乳腺癌中存在某些与微循环灌注有关的HER-2受体分子。他们还发现HER-2低表达乳腺癌的HR阳性率较高、组织学分级较低，并且发生坏死囊变的较少，这可能是因为HER-2零表达肿瘤的增殖相关基因和酪氨酸激酶受体基因占绝大多数，而乳腺分子相关基因的表达低于HER-2低表达肿瘤^[23]。

       综上所述，DCE-MRI中K^trans、Kep及Ve在识别HER-2低表达和零表达状态方面具有广阔的潜力，乳腺病灶的HR状态、组织学分级、坏死囊变也具有较高的提示意义。然而，现有研究在探讨DCE-MRI定量参数（如K^trans、Kep）与HER-2表达状态的相关性时，得出的结论并非完全一致，导致这种差异背后的深层原因主要涉及三个维度：首先是患者人群的异质性。HER-2低表达乳腺癌本身包含大量HR阳性及部分三阴性乳腺癌亚型，不同研究队列中HR状态的比例失衡会直接掩盖或夸大微循环灌注的差异；其次是MRI扫描参数的壁垒。不同医疗机构使用的磁共振设备场强、尤其是DCE-MRI扫描的时间分辨率差异，会影响药代动力学模型的拟合精度；最后是方法学与后处理的局限性。定量参数的计算高度依赖于动脉输入函数的选择，不同商业软件或自建算法在动脉输入函数取样及基线信号校正上的不同，导致所测得的血流动力学参数在跨中心研究中缺乏可比性。因此，未来的研究方向应致力于开展基于HR状态分层的精细化亚组分析，并建立标准化的DCE-MRI扫描规范与算法后处理路径，在充分发挥其微循环血流动力学评估优势的前提下，进一步探索DCE-MRI参数与HER-2表达之间的确切机制。

2.2 扩散成像

       扩散成像技术包括扩散加权成像（diffusion-weighted imaging, DWI）和多种高级扩散成像方法，如弥散峰度成像（diffusion Kurtosis Imaging, DKI）、体素内不相干运动成像（intravoxel incoherent motion, IVIM）。

       DWI通过测量水分子的扩散速度和方向来反映组织的微观结构变化^[24]，表观扩散系数（apparent diffusion coefficient, ADC）是DWI中的重要参数，肿瘤区域的水分子由于其高密度的癌细胞分布而扩散受限，病灶内水分子扩散受限越明显，ADC值越低，所以学者通常根据ADC值预测肿瘤的侵袭能力^[25]。HER-2表达状态可以通过影响肿瘤细胞增殖活性和细胞密度，进而影响ADC值。MAO等^[26]对176名患者的资料进行前瞻性研究，他们建立了四个影像特征模型，其中基于常规DWI及相应ADC值的模型在预测HER-2表达方面准确性不够理想（AUC为0.610），但其他基于多b值DWI的非高斯扩散模型，包括连续时间随机漫步（continuous-time random walk, CTRW）、分数阶微积分（fractional order calculus, FROC）和拉伸指数（stretched exponential model, SEM），预测HER-2低表达乳腺癌的性能较高（AUC范围为0.654~0.802，P<0.001~P=0.007），这可能是由于后者可以揭示水分子在肿瘤中的分布扩散效应，并识别水分子扩散在空间和时间上的体素内异质性^[27]。

       DKI是基于DWI的高阶弥散成像技术，通过量化水分子弥散运动的非高斯性，可以更灵敏地反映组织微观结构的复杂异质性^[28]。SHEN等^[29]通过T2WI、ADC及多b值DKI序列（b=0、800、1400、2000 s/mm²）评估了定量和定性MRI特征在区分HER-2低表达和零表达的优势，他们发现HER-2低表达肿瘤内T2高信号更为常见（P=0.009），特别是对于肿块病变，结合肿块内T2高信号和肿块形态等定性特征能够有效区分HER-2低表达和HER-2零表达乳腺癌，AUC为0.763。HER-2低表达肿瘤中T2高信号的存在可能表明其具有更高的侵袭性。肿瘤内T2高信号通常被认为是坏死的表现，其原因是肿瘤细胞增殖超过血供，导致肿瘤中心区域缺氧^[30]。这一特征通常与侵袭性肿瘤行为相关。有研究显示，HER-2低表达乳腺癌更具侵袭性，其新辅助治疗的病理完全缓解率最低^[31]。相比之下，对于非肿块增强病变，定性MRI特征的作用有限，利用定量特征，如多b值DKI直方图可有效量化此类病灶的HER-2表达水平。未来的研究可以进一步探讨扩散成像在评估HER-2状态及其疗效中的作用，从而为可能受益于靶向治疗的患者提供更便捷、成本更低的诊疗方法。

       IVIM不仅对组织中的分子扩散敏感，还对毛细血管中的随机血流敏感，可以反映组织学微观结构和血流特征^[32]。由于IVIM对新生血管形成比较敏感，其在评估HER-2表达状态方面具有较大的潜力。IVIM的定量参数f值可以代表毛细血管网体积占比，能反映肿瘤的血流灌注情况。ZHAO等^[22]的研究发现HER-2零表达乳腺癌的f值高于HER-2低表达肿瘤，两者的f值分别为26.97%（22.50%，1.77%）和（33.36%±9.57%），且差异有统计学意义（P<0.05），这可能是因为HER-2低表达肿瘤具有更多的新生血管集中在病灶周围，而肿瘤内部的血管通常是不成熟的、狭窄或阻塞的，这增加了肿瘤局部的血流阻力，降低了毛细血管血液交换，从而降低了f值^[33]。同时，不同操作者间和操作者内部进行ROI勾画时可能会影响参数值的测量^[34]。此外，IVIM和扩散参数的数值高度依赖于b值的选择，目前研究所使用b值的可重复性有待进一步验证，关键b值的最佳选择也将影响乳腺病变类型和预后生物标志物的诊断性能。

       综上，扩散成像技术包括DWI、基于多b值DWI的非高斯扩散模型（CTRW、FROC、SEM）、DKI、IVIM在揭示HER-2低表达与零表达乳腺肿瘤的微观结构、细胞密度及血流灌注差异方面展现出独特的优势，为无创评估HER-2低表达及零表达状态提供了有效的技术支撑。然而其应用仍面临挑战：不同研究采用的b值序列、ROI勾画方法存在差异，影响了参数测量的可重复性与可比性；参数与HER-2低表达及零表达之间的确切病理生理关联尚不完全明确；对于非肿块型病变的评估效能仍需提升。未来研究应继续优化和标准化扫描方案与后处理流程，开展多中心验证，并深入探究扩散参数与肿瘤微环境、基因表达谱之间的多组学关联，以推动其向临床常规应用的转化。

2.3 酰胺质子转移成像

       酰胺质子转移成像（amide proton transfer, APT）通过使酰胺质子与自由水质子交换并饱和，进而使自由水信号降低，再通过分析相关频谱曲线，间接反映组织内游离蛋白质和多肽的含量及微环境的酸碱度^[35]。有研究^[36]发现APT的相关参数非对称磁化转移率（magnetization transfer ratio asymmetry, MTRasym）是预测HER-2三分类表达状态的独立预测因子，HER-2过表达和低表达乳腺癌的MTRasym值高于HER-2零表达乳腺癌，这可能是因为三分类肿瘤的微环境存在异质性。他们还建立了基于APT、DWI以及临床和常规MRI形态学特征的联合模型，发现在预测乳腺癌HER-2低表达和零表达状态中的AUC更高，其敏感度、特异度及准确度分别达78.21%、74.36%和76.1%，可以辅助乳腺癌HER-2状态的早期诊断，并为制定治疗方案和动态监测提供重要依据。

       综上，APT为区分HER-2低表达及零表达状态提供了独特的代谢信息视角，但目前有关APT预测HER-2低及零表达状态的研究相对匮乏，且APT信号易受伪影影响，参数的稳定性仍需进一步验证，并深入探究其与肿瘤分子通路、疗效之间的关联，使该类患者的治疗更加精准化，临床获益最大化。

2.4 合成磁共振成像

       合成磁共振成像（synthetic MRI, SyMRI）采用多回波和多动态序列同时量化T1和T2弛豫时间及质子密度（proton density, PD）图像等定量值。该方法在单次扫描中提供可靠信息，并实现快速扫描^[37]。ZHAN等^[38]评估了PD值是预测HER-2低与零表达乳腺癌的有效性，AUC为0.765（95%置信区间：0.652~0.855），且当上述模型与ADC值模型联合时，AUC提升至0.825（95%置信区间：0.719~0.903）。可能是HER-2诱导血管内皮生长因子水平增加，导致微血管密度增加、血液灌注增强。肿瘤因血管新生增加而生长加速，导致血管内皮不完全和血管壁通透性增加，而PD值和ADC值能够反映肿瘤组织的血流灌注状态。

       上述结果表明PD值和ADC值在区分HER-2低表达和零表达状态中有较大的应用前景，但SyMRI技术本身存在图像信噪比相对较低等不足。未来需要建立并优化标准化的扫描流程及后处理路径，为临床个体化治疗计划和精准医疗发展提供参考。

3 影像组学在区分HER-2低表达和零表达中的应用

       影像组学最早在2012年由荷兰学者LAMBIN等^[39]提出，即通过传统的机器学习或深度学习方法，从图像中提取高通量影像特征（形状、一阶、二阶、高阶特征），并将其转化为高维数据进行定量分析，为临床决策提供精准指导。

3.1 单/多参数MRI影像组学

       DCE-MRI通过显示肿瘤的形态学特征及其内部血供情况^[40]，实现对HER-2低表达和零表达状态的预测。YIN等^[41]开发了DCE-MRI影像组学特征模型和临床病理特征模型，并将这些因素整合到统一的影像组学列线图中，该模型的预测效能较前两者明显提高，对于其在临床中个性化治疗HER-2低表达及零表达乳腺癌患者的潜在应用具有很大前景。但他们的研究为回顾性的、单一中心进行的，这可能限制了结果的普遍性和准确性。今后的研究应考虑使用更多的数据并加以验证模型的泛化能力。JIANG等^[42]评估了DCE-MRI从直方图、共生矩阵、游程矩阵、绝对梯度、自回归模型和小波得出的279个经典纹理特征，筛选出源自灰度共生矩阵和灰度游程矩阵的有效特征对HER-2 2+状态进行分析预测，其结果的准确率达81%，今后的研究中可将DCE-MRI与其他成像方式相结合进一步提高预测的准确性。

       mpMRI可以更全面评估肿瘤形态、增强特点和限制扩散等方面的信息，与单一序列MRI相比，所构建的模型精准度更高^[43]。ZHOU等^[44]的研究结果与上述结论一致，他们发现与单独的DCE-MRI或T2WI模型相比，mpMRI影像组学模型在预测乳腺癌HER-2表达状态中产生了更高的效能，但他们的研究中仅招募了乳腺癌最常见的病理类型非特殊类型浸润性导管癌的患者，与实际相比可能忽略了与病理类型相关的混杂因素。RAMTOHUL等^[4]建立基于MRI影像组学的特征模型包括6项来自T2WI的影像学特征和1项来自DCE-MRI的影像学特征，该模型能够很好地区分HER-2低表达、过表达与HER-2零表达乳腺癌，AUC达0.80。他们发现HER-2低表达与过表达亚组有相似的影像组学特征，因此他们还建立了一种结合病理特征（即组织学类型）和MRI特征(即非肿块增强和多发病变)的联合模型进一步区分HER-2过表达和HER-2低表达乳腺癌，也有较好的预测能力，该模型与PENG等^[12]的研究中表现相似（AUC分别为0.78、0.77）。ZHENG等^[45]建立mpMRI（DWI、ADC和DCE-MRI）影像组学特征模型，用于区分不同HER-2表达状态（过表达、低表达及零表达状态），该模型在外部验证集中表现良好，尤其是在区分零表达与其他两种HER-2表达状态的乳腺癌（即过表达加低表达），其AUC为0.813，但需要多次迭代才能最终确定特定亚型，流程较为复杂。ZHAO等^[46]开发了基于DCE-MRI和IVIM的影像组学模型，进一步反映肿瘤组织的水分子扩散及微循环灌注，通过补充和融合mpMRI功能信息，提高模型捕捉肿瘤微环境异质性的能力，提升HER-2表达状态的诊断效能，该模型的AUC达0.853，有望成为HER-2靶向治疗的非侵入性临床工具。近年mpMRI影像组学预测HER-2零表达与低表达的研究总结见表1。

       综上所述，HER-2低表达与零表达乳腺癌具有不同的微观结构特征，这些特征可以被MRI放射组学特征捕获和区分，且mpMRI较单个序列MRI能更准确地预测HER-2表达状态，然而目前大多数研究仅选取了病灶最大层面的单层图像进行纹理特征提取，未能涵盖整个肿瘤体积的异质性信息。这可能导致遗漏肿瘤在三维空间上的微观结构差异，影响特征的全面性和代表性。未来可采用三维体积感兴趣区分割方法，提取全肿瘤区域的纹理特征，以更全面地反映肿瘤内部的空间异质性，同时可结合半自动或深度学习分割算法，提高三维分割的效率和可重复性，并比较2D与3D特征在预测HER-2状态中的效能差异，从而推动影像组学在临床的应用。

点击查看表格

表1  mpMRI影像组学预测HER-2零表达与低表达的研究总结
Tab. 1  Summary of studies on mpMRI radiomics for predicting HER-2-zero and HER-2-low expression

3.2 瘤内、瘤周MRI影像组学

       乳腺癌瘤周微环境在预测HER-2表达状态中也发挥了重要作用，BRAMAN等^[47]发现瘤周及瘤内特征的联合模型预测HER-2表达状态比单独纳入肿瘤MRI特征模型效能更高（AUC分别为0.70和0.65），说明乳腺癌瘤周存在与其生物学特征相关的潜在指征。此外，有研究发现基于乳腺MRI的瘤内异质性（intratumoral heterogeneity, ITH）定量分析已在评估新辅助治疗反应和预后方面显示出重要价值^[48]。BIAN等^[49]发现基于6个来自DCE-MRI图像和7个来自ADC图像的瘤内和瘤周影像组学特征模型可以区分HER-2阳性与HER-2阴性乳腺癌，并进一步区分HER-2低与HER-2零表达乳腺癌。他们的放射学特征在预测HER-2阳性和HER-2阴性（主要是HER-2低）方面取得了相似的表现，外部验证的AUC为0.76，但在识别HER-2低表达和HER-2零表达肿瘤方面的表现相对较低，AUC为0.71，可能是由于基于全肿瘤或肿瘤周围区域选择的特征仍无法反映瘤内异质性。因此，MRI影像组学生境分析成为国内外学者的研究热点^{[50, 51, 52]}。

       生境分析是一种基于生物学微环境的影像组学技术，可通过定量影像学标志物识别具有相似表征的肿瘤细胞群体，并将整体肿瘤分割为多个亚区域，从而实现对肿瘤异质性的可视化与量化，其基本流程如图1所示。CHEN等^[53]回顾性分析了来自两家机构的614名患者资料，开发了基于mpMRI影像组学生境分析模型，用于量化ITH，该模型在区分HER-2阳性与阴性肿瘤以及进一步识别HER-2低表达及零表达乳腺癌方面，预测性能上（AUCs：0.81~0.94）均优于BIAN等^[49]的研究。

       瘤内、瘤周影像组学及生境分析技术，强调了ITH及肿瘤微环境在HER-2低表达及零表达区分中的重要性。以上研究表明结合瘤周特征及基于亚区域分析的生境模型能更精细地分析肿瘤微环境异质性，从而获得比传统肿瘤分析更优的预测性能。然而，生境分析目前仍处于探索阶段，其图像分割算法的准确性、稳定性及深层生物学可解释性仍有待进一步验证，且亚区划分的模型构建流程复杂，增加了临床推广的难度。未来研究应致力于优化生境分割与特征提取算法，并将生境特征与组织病理学、基因组学等多模态数据关联，以揭示其背后的生物学机制，最终实现个体化治疗靶区的精准无创定位。

点击查看大图

图1  生境分析基本流程。DCE-MRI：动态对比增强磁共振成像；K^trans：容积转运常数；Kep：速率常数；DWI：扩散加权成像；ADC：表观扩散系数；APT：酰胺质子转移成像；GLCM：纹理特征；CNN：深度学习特征；RF：随机森林；SVM：支持向量机；LR：逻辑回归。
Fig. 1  Basic workflow of habitat analysis.DCE-MRI: dynamic contrast-enhanced magnetic resonance imaging; K^trans: volume transfer constant; Kep: rate constant; DWI: diffusion-weighted imaging; ADC: apparent diffusion coefficient; APT: amide proton transfer imaging; GLCM: texture features; CNN: deep learning features; RF: random forest; SVM: support vector machine; LR: logistic regression.

4 人工智能在区分HER-2低表达和零表达中的应用

       HER-2低表达与零表达乳腺癌的精准鉴别是指导临床靶向治疗方案选择的关键前提，人工智能技术为该鉴别任务提供了无创、高效的新路径，其中深度学习模型无需预先定义特征，能够直接从影像图像中自动学习深层时空特征，捕捉传统影像组学特征可能忽略的肿瘤信息^[54]。ZHANG等^[55]纳入来自四个中心的6991例乳腺癌患者，开发并验证了基于深度学习的多模态对齐和预测模型（包括MRI、钼靶、超声）区分HER-2状态，自动检测或定位肿瘤区域，其模型效能良好，AUC为0.846，且以治疗反应作为HER-2状态评估的金标准，而非仅依赖活检，更加贴合临床实际需求。DAI等^[56]开发了基于DCE-MRI的深度学习模型，HER-2低表达及HER-2零表达在外部测试集中的AUC分别为0.768、0.787。他们还通过深度学习整合病灶分类并使用热图，可在怀疑分型错误的情况下进行有针对性的复活检，从而调整治疗方案，通过清晰的可视化确保模型输出的可解释性，将有助于放射科医生和肿瘤科医生采纳该模型，最终改善患者的治疗效果。鉴于深度学习的“黑箱”特性，在未来的研究中，需结合基因组学等方法如转录组学和单细胞测序等，从而增强生物学可解释性，推动临床转化。近年来利用不同MRI技术及影像组学预测HER-2低表达与零表达的研究汇总见表2。

点击查看表格

表2  MRI及影像组学技术预测HER-2低表达与零表达研究汇总
Tab. 2  Summary of studies on MRI and radiomics for predicting HER-2-low and HER-2-Zero expression

5 小结与展望

       在目前的临床实践中，mpMRI凭借其多序列、多参数成像能力，已被广泛应用于乳腺癌的术前分期及新辅助治疗疗效评估，能够较全面地反映肿瘤的形态学特征及血流动力学信息。然而，针对HER-2表达状态的预测，当前主要仍依赖于放射科医师对病灶形态、边缘及强化模式进行的视觉定性评估。这种方式不仅存在较强的主观性，而且难以敏锐捕捉HER-2低表达与零表达之间在微观血流灌注和组织密度上的细微差异，限制了其在精准分型中的进一步应用。

       影像组学的兴起为解决上述问题提供了新的思路。通过对mpMRI图像进行高通量特征提取与分析，影像组学能够量化肿瘤微观结构的异质性信息，打破了传统视觉评估的局限性，更敏锐地捕捉HER-2不同表达状态之间的细微差异，为无创、动态评估乳腺癌HER-2低表达及零表达状态开辟了全新路径，有望助力临床实现对HER-2表达状态的术前精准分层，为个体化靶向治疗方案的制定提供重要影像学依据。然而，mpMRI影像组学在实际临床推广中也面临诸多挑战：首先，现有研究大多数为回顾性、单中心设计，样本量有限，可能存在选择偏倚，导致模型泛化能力不足；其次，HER-2低表达和零表达状态与MRI特征之间的关系复杂，可能受到其他分子特征和肿瘤异质性的影响；最后，其发展仍面临特征提取标准化不足、模型泛化能力有限、临床转化难度较大等问题。

       展望未来，该领域的研究应重点突破以下关键技术与应用方向。（1）开展多中心前瞻性验证并推进标准化：研发全自动化的病灶分割与多序列配准算法，建立包含扫描规范与自动化后处理的标准化临床路径，通过严格的大规模外部验证提升模型的普适性；（2）深度融合影像基因组学：未来的研究不应仅停留在影像与病理结果的表象关联，而应将影像组学表型与空间转录组学、单细胞测序等多组学数据进行深度交汇，从而从分子机制层面解释不同HER-2表达状态的内在生物学差异；（3）推广联邦学习框架：针对多中心数据共享面临的患者隐私问题，联邦学习技术可以在不转移原始医学影像数据的前提下，实现跨机构的大模型联合训练，构建具有普适性和强泛化能力的HER-2状态预测大模型；（4）研发并落地临床决策支持系统：研究的最终目的在于临床转化。未来的焦点应集中于开发集成化、智能化的影像辅助工作站插件，将复杂的影像组学及深度学习模型转化为临床医师可用的可视化工具，从而实现精准识别潜在的抗HER-2靶向治疗获益人群。