Human Epidermal Growth Factor Receptor 2 (HER2) est un important biomarqueur pronostique et prédictif dans le cancer du sein. Sa détection permet de définir quelles patientes pourront bénéficier d’un traitement ciblé. Si la détermination du statut HER2 par immunohistochimie (IHC) en catégories positive vs négative est actuellement bien installée et reproductible, l’apparition d’une nouvelle catégorie dite « HER2-faible » pourrait poser quant à elle des problèmes d’interprétation et de reproductibilité.

Nous avons décrit ici les méthodes utilisées actuellement en routine pour préciser le statut HER2 et l’application de techniques innovantes de Machine Learning (ML) pour améliorer ces déterminations, ainsi que les principaux défis et opportunités liés à l’exploitation de la pathologie numérique à l’ère de l’intelligence artificielle (IA).

HER2 is an important prognostic and predictive biomarker in breast cancer. Its detection makes it possible to define which patients will benefit from a targeted treatment. While assessment of HER2 status by immunohistochemistry in positive vs negative categories is well implemented and reproducible, the introduction of a new “HER2-low” category could raise some concerns about its scoring and reproducibility.

We herein described the current HER2 testing methods and the application of innovative machine learning techniques to improve these determinations, as well as the main challenges and opportunities related to the implementation of digital pathology in the up-and-coming AI era.