Hybrid Supervised-Unsupervised CycleGAN for Virtual HER2 Immunohistochemistry from Hematoxylin and Eosin Stains
Notice bibliographique
Résumé
HER2-status is a vital biomarker for breast cancer diagnosis and treatment, typically assessed using immunohistochemistry (IHC), a technique that is expensive and demanding of laboratory experience. Hematoxylin and eosin (H&E) staining, in contrast, is widely available and inexpensive, motivating approaches that can computationally translate H&E images into IHC. While previous work has explored translating H&E stains of breast tissue into IHC using purely unsupervised methods, this study introduces a hybrid CycleGAN framework that combines unsupervised cycle-consistency with supervised paired reconstruction objectives. By leveraging the paired structure of the BCI dataset, this approach significantly improves quantitative metrics (PSNR: 16.203 → 17.807 (Adam); SSIM: 0.373 → 0.4061 (AdamW) and visual fidelity compared to unsupervised-only baselines, narrowing the performance gap with supervised-only architectures while maintaining CycleGAN’s flexibility. These f indings show that incorporating limited supervision into cycle-consistent adversarial training enhances H&E-to-IHC translation quality, offering a more affordable and accessible pathway to HER2 screening.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».