LGD-Net：基于潜在引导的双流网络用于HER2评分及任务特定领域知识
计算机视觉与模式识别
2026-02-23 v1 图像与视频处理
摘要
准确评估HER2表达水平是乳腹癌评估和靶向治疗选择的关键任务。然而，标准的多步骤免疫组织化学染色(IHC)耗时、昂贵且资源丰富，这在许多地区也常不可得。因此，直接从H&E染色片预测HER2水平已成为一种潜在替代方案。已证明，使用虚拟IHC图像从H&E图像进行自动HER2评分是有效的。然而，像级虚拟染色方法计算昂贵且易受重构伪影影响，这些伪影可传播诊断错误。为此，我们提出了潜在引导双流网络(LGD-Net)，一种新型框架采用跨模态特征幻视代替显式像级图像生成。LGD-Net学习将形态H&E特征直接映射到分子潜在空间，由教师IHC编码器在训练期间提供指导。为确保幻像特征捕获临床相关表型，我们通过轻量级辅助正则化任务显式地对模型训练进行了任务特定领域知识正则化，具体包括细胞核分布和膜染色强度。广泛的实验在公开的BCI数据集上表明，LGD-Net实现了最先进的性能，显著优于基线方法，同时能够使用单一模态H&E输入实现高效推断。
引用
@article{arxiv.2602.17793,
title = {LGD-Net: Latent-Guided Dual-Stream Network for HER2 Scoring with Task-Specific Domain Knowledge},
author = {Peide Zhu and Linbin Lu and Zhiqin Chen and Xiong Chen},
journal= {arXiv preprint arXiv:2602.17793},
year = {2026}
}