基于拓扑感知排序的图Mamba生存分析

【新智元导读】在计算病理学中，全切片图像（WSI）生存分析对于患者预后评估至关重要，但面临多项技术挑战。Transformer通过自注意力机制捕捉长程依赖，但其O(N^2)时间复杂度在大型WSI图结构中造成严重计算瓶颈。Mamba模型以线性复杂度突破了Transformer的计算瓶颈，但Mamba对输入数据顺序高度敏感，传统的图Mamba节点排序方法（如基于节点度或子图大小）未能充分考虑图数据的拓扑连通性，限制了Mamba序列建模的性能。此外，其单向架构无法利用图像的双向空间结构。为应对这些挑战，本文提出一种基于拓扑感知排序的新型图Mamba生存分析框架（TopoMamSurv），以适应Mamba的序列敏感性。可视化实验进一步证实，通过拓扑感知排序（TAO）策略提取的节点确实表现出更高的相似性。此外，研究人员设计了双向Mamba模块，并集成图卷积网络（GCN）以实现图像的双向空间上下文建模，形成“局部聚合-全局捕获”的分层特征学习架构。该框架通过TAO、双向语义建模和层次特征融合的系统设计，有效调和了WSI分析中长程依赖建模、计算效率和空间结构利用之间的矛盾。该框架已在五个TCGA数据集上验证了其综合性能优势。

全切片图像（WSI）是病理诊断的重要工具，但因其尺寸巨大，传统方法难以有效处理。生存分析旨在预测患者预后，对个性化治疗意义重大。近年来，基于图的WSI分析方法将组织区域视为节点，通过图神经网络进行建模。Transformer的自注意力机制能够捕获节点间长程依赖，但平方级复杂度限制了其在大规模图上的应用。Mamba作为一种状态空间模型，具有线性复杂度，但其性能严重依赖输入顺序。现有图Mamba方法采用节点度或子图大小排序，忽略了图拓扑结构，导致建模不充分。

TopoMamSurv框架通过拓扑感知排序（TAO）策略，在节点排序时综合考虑节点间的拓扑连接关系，使Mamba能够更有效地建模序列。同时，双向Mamba模块的引入，使得模型能够同时从前后两个方向处理节点序列，捕捉图像的双向空间结构。结合GCN进行局部信息聚合，形成层次化特征学习，即先通过GCN局部聚合，再通过双向Mamba全局捕获，从而平衡局部细节与全局上下文。

在五个TCGA数据集上的实验表明，TopoMamSurv在生存分析任务中显著优于现有方法，包括基于Transformer的模型和传统图Mamba方法。可视化结果证明TAO策略确实提取了语义更相似的节点序列。该工作为计算病理学中的WSI生存分析提供了高效且有效的解决方案，展示了Mamba在图数据建模中的潜力。