トポロジー認識順序付けに基づくグラフMamba生存分析

【新智元】計算病理学において、全スライド画像（WSI）の生存分析は患者の予後評価に極めて重要であるが、多くの技術的課題に直面している。Transformerは自己注意機構により長距離依存性を捉えるが、そのO(N^2)時間計算量は大規模WSIグラフ構造において深刻な計算ボトルネックとなる。Mambaモデルは線形計算量でTransformerのボトルネックを打破するが、入力データの順序に非常に敏感であり、従来のグラフMambaのノード順序付け手法（ノード次数やサブグラフサイズに基づくもの）はグラフデータのトポロジー的接続性を十分に考慮できず、Mambaの系列モデリング性能を制限していた。さらに、その単方向アーキテクチャは画像の双方向空間構造を活用できない。これらの課題に対処するため、本論文ではトポロジー認識順序付けに基づく新しいグラフMamba生存分析フレームワーク（TopoMamSurv）を提案し、Mambaの系列感度に適応する。可視化実験により、トポロジー認識順序付け（TAO）戦略で抽出されたノードは確かにより高い類似性を示すことが確認された。さらに、双方向Mambaモジュールを設計し、グラフ畳み込みネットワーク（GCN）を統合して画像の双方向空間コンテキストモデリングを実現し、「局所集約-大域捕捉」の階層的特徴学習アーキテクチャを形成した。このフレームワークは、TAO、双方向意味モデリング、階層的特徴融合の系統的設計により、WSI分析における長距離依存性モデリング、計算効率、空間構造利用の間の矛盾を効果的に調和させる。5つのTCGAデータセットで総合的な性能優位性が検証された。

全スライド画像（WSI）は病理診断において重要なツールであるが、その巨大なサイズのため従来の手法では効果的に処理することが困難である。生存分析は患者の予後を予測し、個別化治療に重要な意味を持つ。近年、グラフベースのWSI分析手法は組織領域をノードとみなし、グラフニューラルネットワークでモデル化する。Transformerの自己注意機構はノード間の長距離依存性を捕捉できるが、大規模グラフでは計算量が問題となる。Mambaは状態空間モデルとして線形計算量を持つが、その性能は入力順序に強く依存する。既存のグラフMamba手法はノード次数やサブグラフサイズによる順序付けを行い、グラフトポロジーを無視しているため、モデリングが不十分である。

TopoMamSurvフレームワークでは、トポロジー認識順序付け（TAO）戦略により、ノード間のトポロジー的接続関係を考慮した順序付けを行い、Mambaがより効果的に系列をモデル化できるようにする。同時に、双方向Mambaモジュールの導入により、モデルはノード系列を前後双方向から処理し、画像の双方向空間構造を捉える。GCNと組み合わせることで局所情報を集約し、階層的特徴学習を形成する。すなわち、まずGCNで局所集約し、次に双方向Mambaで大域捕捉を行うことで、局所詳細と大域コンテキストのバランスを取る。

5つのTCGAデータセットにおける実験で、TopoMamSurvは生存分析タスクにおいて既存手法（Transformerベースや従来のグラフMamba手法）を大幅に上回る性能を示した。可視化結果はTAO戦略が意味的により類似したノード系列を抽出することを証明している。この研究は、計算病理学におけるWSI生存分析の効率的かつ効果的なソリューションを提供し、グラフデータモデリングにおけるMambaの可能性を示している。