基於拓撲感知排序的圖Mamba生存分析

【新智元導讀】在計算病理學中，全切片影像（WSI）生存分析對於患者預後評估至關重要，但面臨多項技術挑戰。Transformer透過自注意力機制捕捉長程依賴，但其O(N^2)時間複雜度在大型WSI圖結構中造成嚴重計算瓶頸。Mamba模型以線性複雜度突破了Transformer的計算瓶頸，但Mamba對輸入資料順序高度敏感，傳統的圖Mamba節點排序方法（如基於節點度或子圖大小）未能充分考慮圖資料的拓撲連通性，限制了Mamba序列建模的效能。此外，其單向架構無法利用影像的雙向空間結構。為應對這些挑戰，本文提出一種基於拓撲感知排序的新型圖Mamba生存分析框架（TopoMamSurv），以適應Mamba的序列敏感性。視覺化實驗進一步證實，透過拓撲感知排序（TAO）策略提取的節點確實表現出更高的相似性。此外，研究人員設計了雙向Mamba模組，並整合圖卷積網路（GCN）以實現影像的雙向空間上下文建模，形成“區域性聚合-全域性捕獲”的分層特徵學習架構。該框架透過TAO、雙向語義建模和層次特徵融合的系統設計，有效調和了WSI分析中長程依賴建模、計算效率和空間結構利用之間的矛盾。該框架已在五個TCGA資料集上驗證了其綜合效能優勢。

全切片影像（WSI）是病理診斷的重要工具，但因其尺寸巨大，傳統方法難以有效處理。生存分析旨在預測患者預後，對個性化治療意義重大。近年來，基於圖的WSI分析方法將組織區域視為節點，透過圖神經網路進行建模。Transformer的自注意力機制能夠捕獲節點間長程依賴，但平方級複雜度限制了其在大規模圖上的應用。Mamba作為一種狀態空間模型，具有線性複雜度，但其效能嚴重依賴輸入順序。現有圖Mamba方法採用節點度或子圖大小排序，忽略了圖拓撲結構，導致建模不充分。

TopoMamSurv框架透過拓撲感知排序（TAO）策略，在節點排序時綜合考慮節點間的拓撲連線關係，使Mamba能夠更有效地建模序列。同時，雙向Mamba模組的引入，使得模型能夠同時從前後兩個方向處理節點序列，捕捉影像的雙向空間結構。結合GCN進行區域性資訊聚合，形成層次化特徵學習，即先透過GCN區域性聚合，再透過雙向Mamba全域性捕獲，從而平衡區域性細節與全域性上下文。

在五個TCGA資料集上的實驗表明，TopoMamSurv在生存分析任務中顯著優於現有方法，包括基於Transformer的模型和傳統圖Mamba方法。視覺化結果證明TAO策略確實提取了語義更相似的節點序列。該工作為計算病理學中的WSI生存分析提供了高效且有效的解決方案，展示了Mamba在圖資料建模中的潛力。