2026年ESMO年会上，正大天晴HER2双表位ADC TQB2102的Ⅲ期研究入选LBA口头报告，HER2低表达乳腺癌人群中位PFS达16.4个月。行业聚焦HER2低表达/超低表达精准识别，DATA+AI可辅助病理判读、临床证据分析，覆盖HER2靶点药物全研发周期。
2026年10月23日，在ESMO年会上，正大天晴HER2双表位ADC TQB2102的Ⅲ期研究APEX-Breast01入选LBA优选口头报告。[8]
图1 APEX-Breast01会议摘要
HR阳性/HER2低表达复发或转移性乳腺癌人群中，试验组与化疗组中位PFS分别为16.4个月和5.5个月，风险比为0.29。[7]
图2 APEX-Breast01疗效结果
这项进展让HER2低表达领域再次受到关注。随着治疗探索深入，如何识别潜在获益患者，也成为药物开发必须面对的问题。
从HER2-low到HER2-ultralow，表达状态的进一步细分，牵动着患者筛选、临床研究与市场判断。AI能否帮助识别微弱信号，是其中一个切口；对于药企，更值得关注的是，如何沿着HER2这一核心靶点，将AI应用延伸到研发、临床与商业化。
一、治疗边界拓展，患者如何识别？
TQB2102的上述结果体现了HER2-low人群的治疗进展；HER2-ultralow的治疗意义，则可从德曲妥珠单抗的适应症拓展中理解。
据摩熵医药全球药物研发数据库显示，2025年1月，美国FDA批准德曲妥珠单抗用于特定HR阳性、HER2-low或HER2-ultralow不可切除或转移性乳腺癌患者，该类患者需在转移性疾病阶段接受一种或多种内分泌治疗后出现疾病进展，且HER2状态须经批准的检测方法确认。[1]
图3 摩熵医药-全球药物研发数据库
HER2-low通常指IHC 1+或IHC 2+/ISH阴性；而上述适应症中的HER2-ultralow指IHC 0但存在膜染色。它并非新增的独立IHC评分类别，而是对IHC 0人群中存在膜染色者的进一步描述。2023年ASCO/CAP指南沿用既有IHC评分体系，未将HER2-low或HER2-ultralow设为独立评分类别。[2]
需要区分的是，TQB2102上述研究聚焦HER2-low，不能据此推断其在HER2-ultralow人群中的疗效。不同药物的机制、适应症及研究人群存在差异，检测结果需要放在具体治疗条件下解读。对药企而言，检测定义已经成为连接药物证据与目标患者的重要条件。
二、微弱信号，为何难以判准？
一项纳入中国10家医院、2869例乳腺癌患者的多中心研究显示，历史检测结果与重新判读结果的一致率存在明显差异：HER2-ultralow为43.3%，而HER2-low一致率为91.7%。这提示HER2-ultralow状态在两次结果之间的一致性较低，但不能直接解释为误诊率。[3]
图4 HER2分类一致率
判读分歧集中在是否存在膜染色及其比例。微弱、局灶的染色可能受到背景干扰，组织异质性也会增加判断难度，单张切片不能代表肿瘤所有区域或不同时间的表达状态。另一项单中心研究也观察到低表达区间的阅片者差异，单次教学后整体一致性未见改善。[4]
对药企而言，检测差异可能改变入组人群，也会影响试验比较和目标市场测算。因此，分析HER2新药进展时，需要同时核对检测方法、患者定义及复核流程，明确研究结果适用于哪些人群。由此也引出一个问题：AI能否提升判读一致性，并进一步支持药企开展证据分析？
三、从看清信号到看懂机会AI如何服务药企？
临床开发：从判读辅助到证据分析
针对HER2 IHC判读中的低表达及HER2-ultralow识别难点，2025年一项多国观察性研究显示，AI辅助后，病理医生对五类HER2结果的平均观察者间一致率由64.3%升至80.0%，与参考评分相符的平均准确率由69.3%升至73.8%。前者反映医生之间判读是否一致，后者反映判读结果与参考评分是否相符，均不能直接推断患者疗效改善。[5]
图5 AI辅助前后判读表现
同年另一项AI辅助培训研究中，病理医生与中心参考评分的一致率由76.3%升至89.6%，HER2-ultralow被判为null（该研究中指IHC 0且无膜染色）的比例由29.5%降至4.0%。[6]
图6 AI辅助培训研究结果
两项研究的设计、培训流程及病例条件不同，不能直接比较提升幅度；第二项研究中，培训、讨论与测试病例变化同时存在，改善也不能全部归因于AI。这些结果提示AI具有辅助识别和量化的潜力，但仍需跨实验室、染色平台及扫描设备验证，不能替代病理医生复核。
从病理图像判读走向临床开发，AI处理的对象也随之拓展：除图像外，还包括研究文献与临床资料。药企需要判断已有结果是否适用于自身目标人群，以及不同研究设计会如何影响方案选择。AI可辅助提取HER2试验的评分标准、中心要求、既往治疗、治疗线数及终点，形成证据矩阵，为临床方案讨论提供参考。
例如，两项HER2 ADC研究即使都纳入HER2-low人群，也可能在HR状态、既往治疗、样本来源和对照方案上存在差异。AI可帮助标记这些条件，减少跨研究比较时的信息遗漏。仅凭PFS等终点数值，仍不足以判断产品优劣。在获得授权且数据质量满足要求的前提下，AI还可辅助整理临床与病理资料，支持探索性的患者分层和疗效关联分析。涉及医学判断、入组决策及GCP要求的事项，仍需专业人员审核。
从辅助病理判读和临床证据分析出发，DATA+AI还可整合研发、临床和市场数据，为药企的研发立项、BD评估与商业化决策提供参考。研发与BD端，企业需要结合HER2 ADC的抗体表位、内吞特征、连接子、载荷及药物抗体比等设计要素，评估候选产品的差异，以及其在低抗原密度下的递送能力、活性与安全性表现。AI可在具备适用模型和数据的前提下，辅助开展序列与结构分析，并关联论文、专利、临床试验登记及企业披露，追踪竞品管线、整理资产证据；相关预测仍需实验验证，资产估值与交易判断也需结合权益范围、开发成本和商业假设。进入商业化阶段，HER2-low或HER2-ultralow人群比例并不直接等同于产品的可及市场，还需结合适应症、治疗线数、检测可及性及支付准入条件逐层测算，并进一步分析区域潜力、医院诊疗与用药基础及竞争变化。AI可辅助建立可调整、可追溯的分析情景，为市场进入和资源配置提供参考。
摩熵DATA+AI：让数据进入药企业务流程
上述场景的共同基础，是可靠的数据来源、统一口径与可追溯的分析过程。药企可先从临床证据整理、管线追踪或市场分析等明确任务切入，将专业数据接入业务流程。摩熵医药DATA+AI以50亿+结构化医药数据为底座，结合大语言模型、RAG、垂域多模态及知识库、知识图谱能力，支持融合企业内部数据，构建药物全生命周期智能应用。
结合企业的数据条件与业务流程，可围绕HER2建设以下应用。分子设计等专业预测任务，则需按具体需求匹配模型与验证体系。
一是建立靶点情报智能体，关联药物、企业、适应症与研究，持续追踪研发、临床和注册变化。出现新结果时，辅助提取要点、标记证据版本，为研发和BD团队提供检索与分析依据。
二是建设临床证据知识库，关联公开研究与企业授权的方案、报告等资料，围绕表达状态、患者特征和研究结果开展检索。通过保留来源、版本与适用条件，帮助团队核对结论，减少重复查找与口径偏差。
三是构建市场分析应用，结合销售与医院资料，从全国、省份下钻至市/区/县、医院，研究区域潜力、终端表现与竞争变化；科室级分析按品种与条件评估。再与企业内部业务数据结合，为市场进入和资源配置提供依据。
企业可按需采用数据定制、标准化MCP接口、系统集成与私有化部署，让专业数据进入日常业务流程。这些应用应围绕明确任务验证：信息提取是否准确，引用能否追溯，更新是否及时，分析是否保留关键限定条件。先解决一个具体问题，再逐步扩展，更容易评估实际价值。
图7 摩熵DATA+AI应用场景
结语
回到HER2-ultralow，现有研究提示，AI在部分研究中能够改善判读一致性或准确率，但其稳定性及对临床决策的实际影响仍需进一步验证，AI也不能替代病理医生复核。对于药企，AI的应用不止于病理图像，还可以延伸至证据整理、研发与BD情报分析及商业化测算。其价值最终取决于数据质量、证据可追溯性，以及能否在具体业务流程中为专业人员提供可靠支持。
收藏
登录后参与评论
暂无评论