HER2-Low Breast Cancer at the Interface of Pathology and Technology: Toward Precision Management
Notice bibliographique
Résumé
Background/Objectives: HER2-low breast cancer has emerged as a clinically meaningful category that challenges the historical HER2-positive versus HER2-negative classification. Although not defined as a distinct biological subtype, HER2-low tumors exhibit unique clinicopathological features and differential sensitivity to novel antibody–drug conjugates. Accurate identification remains difficult due to limitations in immunohistochemistry performance, inter-observer variability, intratumoral heterogeneity, and dynamic shifts in HER2 expression over time. This review synthesizes current evidence on the biological and clinical characteristics of HER2-low breast cancer and evaluates emerging diagnostic innovations, with emphasis on liquid biopsy approaches and evolving technologies that may enhance diagnostic accuracy and monitoring. Methods: A narrative literature review was conducted, examining tissue-based HER2 testing, liquid biopsy modalities, including circulating tumor cells, circulating nucleic acids, extracellular vesicles, and soluble HER2 extracellular domains, and applications of artificial intelligence (AI) across histopathology and multimodal diagnostic systems. Results: Liquid biopsy technologies offer minimally invasive, real-time assessment of HER2 dynamics and may overcome fundamental limitations of tissue-based assays. However, these platforms require rigorous analytical validation and face regulatory and standardization challenges before widespread clinical adoption. Concurrently, AI-enhanced histopathology and multimodal diagnostic systems improve reproducibility, refine HER2 classification, and enable more accurate prediction of treatment response. Emerging biosensor- and AI-enabled monitoring frameworks further support continuous disease evaluation. Conclusions: HER2-low breast cancer sits at the intersection of evolving pathology and technological innovation. Integrating liquid biopsy platforms with AI-driven diagnostics has the potential to advance precision stratification and guide personalized therapeutic strategies for this expanding patient subgroup.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».