首页 > 文章详情

2025 SABCS｜李俊杰教授：AI赋能“复旦分型”，FASCINATE-N研究开启HR+/HER2-BC精准新辅助治疗新篇章

12月14日

来源：肿瘤资讯

审校：李俊杰教授

2025年圣安东尼奥乳腺癌研讨会（SABCS）正在火热开展中，复旦大学附属肿瘤医院李俊杰教授团队的一项题为“Precision neoadjuvant treatment with Artificial Intelligence assisted subtyping in HR+/HER2- breast cancer: a randomized, open-label, phase 2 trial FASCINATE-N”的研究（Abstract PS3-07-26）入选大会壁报。该研究创新性地引入AI辅助病理分型，探索了HR+/HER2-乳腺癌的新辅助精准治疗策略。【肿瘤资讯】在大会现场第一时间采访了李俊杰教授，深度解读该研究的临床意义与未来布局。

专家介绍

李俊杰

乳腺外科主任医师、副教授，医学博士，硕导

复旦大学附属肿瘤医院乳腺外科行政副主任，浦东病区主任，科室教学秘书
中国抗癌协会乳腺癌专业委员会青年专家
中华医学会乳腺肿瘤学组青年专家
上海市抗癌协会乳腺癌专业委员会常委及秘书长
中国抗癌协会国际医疗交流委员会常委
中国抗癌协会乳腺肿瘤整合康复委员会常委
北京癌症防治学会乳腺青委副主任委员
中华乳腺病杂志中青年编委
2008年毕业于复旦大学临床医学七年制专业，至美国麻省总院癌症中心进行乳腺癌临床专科进修学习，专注于乳腺癌的临床和基础研究，参与并设计多项国际、国内多中心临床试验，在Annals of Oncology, Cancer Cell, JCO, Cancer Communications,JNCCN, IJS等权威杂志发表SCl论文20余篇。
主持国自然面上项目一项，复旦大学青年临床科学家培养计划。

点击查看采访视频

Q1. 您认为在HR+/HER2-中定义的SNF1-4亚型，在临床转化的难度和精准药物的匹配逻辑上，与FUTURE研究相比有哪些核心的挑战和不同？从FUTURE系列到FASCINATE-N，这种跨越亚型的持续探索，背后反映了复旦肿瘤医院在“源头创新”与“临床-转化闭环”构建上怎样的战略思考？

李俊杰教授：这是一个较为宏大的命题，我们可以结合团队多年来在乳腺癌精准分型领域的探索历程展开说明。

首先是分型技术的进化与临床落地难度的攻克。无论是针对三阴性乳腺癌（TNBC）还是Luminal型乳腺癌，最初的分型版本均基于多组学（Multi-omics）数据，从基因组、转录组等不同维度进行亚型划分。然而，多组学检测在临床推广上存在客观难度，我们无法要求每位患者、每个中心都进行昂贵且耗时的多基因Panel检测。为了解决这一痛点，我们在TNBC中采用了免疫组化（IHC）方案，利用AR、CD8、FOXC1等指标即可完成分型，成功支撑了FUTURE系列研究。然而，HR+/HER2-乳腺癌的生物学特征更为复杂，简单的IHC指标难以精准界定SNF1-4亚型。因此，我们实现了技术跨越，引入了AI辅助的一站式病理分型技术。仅需一张常规H&E染色切片，AI模型即可精准识别SNF亚型，这大幅降低了精准治疗的门槛，使得复杂的分子分型有望在基层医院落地。

其次，体现了“临床问题驱动—基础研究突破—临床转化验证”的闭环战略。在邵志敏教授的带领下，我们始终坚持“早期与晚期并行、探索与验证同步”的策略。在TNBC领域，我们从针对多线治疗难治性患者的 FUTURE研究，延伸至一线治疗的FUTURE-SUPER研究，以及新辅助阶段的 FASCINATE-N研究，构建了全病程的精准分型指导体系。在HR+/HER2-领域，我们同样建立了SNF分型体系（SNF1内分泌敏感、SNF2免疫调节、SNF3增殖型/PARP敏感、SNF4 RTK驱动）。近期发表在Cancer Cell（IF 44.5）上的 LINUX试验，首次在前瞻性临床层面证实了该策略在CDK4/6抑制剂耐药晚期Luminal型乳腺癌患者中的有效性。

最后，回归到本次SABCS展示的FASCINATE-N研究，我们将其前移至新辅助治疗阶段。本次壁报数据显示，在传统化疗（对照组）中，HR+/HER2-患者队列的pCR率仅为 4.0%；而根据AI辅助SNF分型指导的精准治疗组（靶向治疗组），pCR率为13.9%（P=0.026），提升了约 3.5倍，特定亚型的pCR率甚至达到了19%左右。这些数据不仅验证了AI分型的准确性，也赋予了我们极大的信心，预示着该策略在早期乳腺癌中广阔的临床应用前景。

图片1.png

图1 pCR结果

Q2. 在研究设计阶段，团队是如何验证这套AI算法在区分SNF分型的准确性和一致性的？

李俊杰教授：这是一个非常关键的问题。在临床前阶段，为了确保AI分型的准确性，我们进行了大量的探索和验证工作。既往我们依赖多基因Panel来进行亚型划分，为了训练AI模型，我们前期投入了超过2万例患者的数据，将AI识别的H&E病理特征与多组学检测结果进行深度拟合。随着输入数据的不断积累，AI的预判效能越来越强，目前我们的一致性已达到80%以上。

因此，在现阶段的研究中，无论是早期还是晚期乳腺癌，我们均直接通过AI进行亚型划分。该研究的逻辑在于：只要我们证实了基于AI划分的亚型进行针对性治疗，能够显著提高患者的pCR率，这本身就是对AI分型准确性及其临床价值最有力的验证。通过这项II期研究的阳性结果，我们确认了这一分型工具不仅是可行的，而且是必要的。当然，这一过程仍在持续优化中，随着未来更多数据的导入，我们的精准分型将更加精确，疗效也有望进一步提升。

Q3. 您此前提及FASCINATE-N研究具有独特的“动态自我更新”特性，能否请您谈谈该特性的核心内涵？

李俊杰教授：FASCINATE-N研究是一项贝叶斯自适应设计的平台研究，这使得我们能够从两个维度来考量研究结果。首先，我们评估整体人群中试验组（精准治疗）的pCR率是否优于对照组，如果是，则证明分型策略整体有效。其次，利用贝叶斯统计方法，我们可以判定在特定亚型的患者中，试验臂的疗效是否显著优于对照组。一旦达到预设标准，该亚型的治疗方案即被视为“毕业”或验证成功，证明该亚型患者找到了有效的靶向治疗策略。

所谓“动态自我更新”的意义在于，我们目前的成果属于“1.0版本”。在1.0版本中，我们尝试在精准分型的基础上，使用化疗联合靶向药物，结果证明其疗效优于单纯化疗对照组。但精准治疗的探索是无止境的，未来分型可能会更加精细（如3分型、5分型甚至更多），治疗骨架也可能发生改变。

本次SABCS展示的即是Luminal型精准治疗的1.0版本成果，即以化疗为骨架，联合最直观的靶点药物进行“升阶梯”治疗，结果显示pCR率得到了显著提升。而在我们中心内部，“2.0版本”早已启动并正在进行入组。在2.0版本中，我们采用了新型ADC类药物作为治疗骨架，去联合不同的内分泌治疗或靶向药物，进行新一轮的方案迭代。我们希望通过这种步步为营、不断自我更新的方式，最终将Luminal型乳腺癌新辅助治疗的pCR率提升到一个令临床医生和患者都满意的水平。

注：图源2025SABCS官网

参考文献

J. Li, L. Ma, P. Ji, et al. Precision neoadjuvant treatment with Artificial Intelligence assisted subtyping in HR+/HER2- breast cancer: a randomized, open-label, phase 2 trial FASCINATE-N. 2025 SABCS PS3-07-26.

责任编辑：肿瘤资讯-Jina
排版编辑：肿瘤资讯-Jina

专栏二维码.jpg