論文の概要: SlideMamba: Entropy-Based Adaptive Fusion of GNN and Mamba for Enhanced Representation Learning in Digital Pathology

• arxiv url: http://arxiv.org/abs/2509.21239v1
• Date: Thu, 25 Sep 2025 14:37:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.985462
• Title: SlideMamba: Entropy-Based Adaptive Fusion of GNN and Mamba for Enhanced Representation Learning in Digital Pathology
• Title（参考訳）: SlideMamba: エントロピーに基づくGNNとMambaのアダプティブフュージョンによるデジタル病理における表現学習の強化
• Authors: Shakib Khan, Fariba Dambandkhameneh, Nazim Shaikh, Yao Nie, Raghavan Venugopal, Xiao Li,
• Abstract要約: 本稿では,Mamba アーキテクチャと Graph Neural Networks (GNN) を統合し,WSI 分析を強化した一般化可能なディープラーニングフレームワークを提案する。 本手法は,局所的空間関係と長期的コンテキスト依存の両方を抽出し,デジタル病理解析のための柔軟なアーキテクチャを提供する。 本稿では,WSIの遺伝子融合と突然変異状態の予測という,代表的な課題に対するアプローチの有用性を実証する。
• 参考スコア（独自算出の注目度）: 2.6012919374909873
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Advances in computational pathology increasingly rely on extracting meaningful representations from Whole Slide Images (WSIs) to support various clinical and biological tasks. In this study, we propose a generalizable deep learning framework that integrates the Mamba architecture with Graph Neural Networks (GNNs) for enhanced WSI analysis. Our method is designed to capture both local spatial relationships and long-range contextual dependencies, offering a flexible architecture for digital pathology analysis. Mamba modules excels in capturing long-range global dependencies, while GNNs emphasize fine-grained short-range spatial interactions. To effectively combine these complementary signals, we introduce an adaptive fusion strategy that uses an entropy-based confidence weighting mechanism. This approach dynamically balances contributions from both branches by assigning higher weight to the branch with more confident (lower-entropy) predictions, depending on the contextual importance of local versus global information for different downstream tasks. We demonstrate the utility of our approach on a representative task: predicting gene fusion and mutation status from WSIs. Our framework, SlideMamba, achieves an area under the precision recall curve (PRAUC) of 0.751 \pm 0.05, outperforming MIL (0.491 \pm 0.042), Trans-MIL (0.39 \pm 0.017), Mamba-only (0.664 \pm 0.063), GNN-only (0.748 \pm 0.091), and a prior similar work GAT-Mamba (0.703 \pm 0.075). SlideMamba also achieves competitive results across ROC AUC (0.738 \pm 0.055), sensitivity (0.662 \pm 0.083), and specificity (0.725 \pm 0.094). These results highlight the strength of the integrated architecture, enhanced by the proposed entropy-based adaptive fusion strategy, and suggest promising potential for application of spatially-resolved predictive modeling tasks in computational pathology.
• Abstract（参考訳）: 計算病理学の進歩は、様々な臨床および生物学的タスクをサポートするために、WSI(Whole Slide Images)から意味のある表現を抽出することにますます依存している。 本研究では,Mambaアーキテクチャとグラフニューラルネットワーク(GNN)を統合し,WSI分析の強化を目的とした一般化可能なディープラーニングフレームワークを提案する。 本手法は,局所的空間関係と長期的コンテキスト依存の両方を抽出し,デジタル病理解析のための柔軟なアーキテクチャを提供する。 マンバモジュールは長距離グローバル依存関係の取得に優れ、GNNは細粒な短距離空間的相互作用を強調している。 これらの相補的な信号を効果的に組み合わせるために,エントロピーに基づく信頼度重み付け機構を用いた適応的融合戦略を導入する。 このアプローチは、異なる下流タスクに対する局所的情報とグローバル的情報の文脈的重要性に応じて、より自信のある(より低いエントロピーの)予測をブランチに割り当てることで、両方のブランチからのコントリビューションを動的にバランスさせる。 本稿では,WSIの遺伝子融合と突然変異状態の予測という,代表的な課題に対するアプローチの有用性を実証する。 我々のフレームワークであるSlideMambaは、精度0.751 \pm 0.05の精度リコール曲線(PRAUC)の下で、MIL (0.491 \pm 0.042), Trans-MIL (0.39 \pm 0.017), Mamba-only (0.664 \pm 0.063), GNN-only (0.748 \pm 0.091), GAT-Mamba (0.703 \pm 0.075)よりも優れています。 SlideMambaは、ROC AUC (0.738 \pm 0.055)、感度 (0.662 \pm 0.083)、特異性 (0.725 \pm 0.094) の競争結果も達成している。 これらの結果は、エントロピーに基づく適応融合戦略によって強化された統合アーキテクチャの強みを強調し、空間分解予測モデルタスクを計算病理学に応用するための有望な可能性を提案する。

関連論文リスト

• Survival Modeling from Whole Slide Images via Patch-Level Graph Clustering and Mixture Density Experts [3.6260816942800975]
  スライド画像全体(WSI)から癌特異的生存を予測するためのモジュラーフレームワークを提案する。 大規模なWSIに対処するために,Quantile-based thresholding を用いた動的パッチ選択を用いて予後情報組織領域を分離する。 第3に、局所的な特徴を文脈化するために、クラスタ内関係とクラスタ間関係の両方をモデル化する注意機構を用いる。
  論文  参考訳（メタデータ） (2025-07-22T11:32:36Z)
• Hypergraph Mamba for Efficient Whole Slide Image Understanding [10.285000840656808]
  ホイルスライド画像 (WSI) は, 超高解像度, 大規模, 複雑な空間関係のため, 医用画像解析において重要な課題となっている。 本稿では,ハイパーグラフニューラルネットワーク(HGNN)の高次リレーショナルモデリング機能と状態空間モデルの線形時間逐次モデリング効率を一体化する新しいフレームワークであるWSI-HGMambaを紹介する。
  論文  参考訳（メタデータ） (2025-05-23T04:33:54Z)
• RD-UIE: Relation-Driven State Space Modeling for Underwater Image Enhancement [59.364418120895]
  水中画像強調(UIE)は、海洋視覚応用のための重要な前処理ステップである。 実効UIE(RD-UIE)のための新しい関係駆動型マンバフレームワークを開発した。 水中強化ベンチマークの実験では、RD-UIEは最先端のアプローチであるWMambaよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-02T12:21:44Z)
• Mamba2MIL: State Space Duality Based Multiple Instance Learning for Computational Pathology [17.329498427735565]
  本稿では,Mamba2MILと呼ばれる新しいマルチインスタンス学習フレームワークを提案する。 Mamba2MILは順序関係と順序に依存しない特徴を利用しており、配列情報の最適部分の利用をもたらす。 私たちは、複数のデータセットにまたがって広範な実験を行い、ほぼすべてのパフォーマンス指標の改善を実現しています。
  論文  参考訳（メタデータ） (2024-08-27T13:01:19Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)
• Mamba-Spike: Enhancing the Mamba Architecture with a Spiking Front-End for Efficient Temporal Data Processing [4.673285689826945]
  Mamba-Spikeは、スパイクするフロントエンドとMambaのバックボーンを統合して、効率的な時間的データ処理を実現する新しいニューロモルフィックアーキテクチャである。 このアーキテクチャは、最先端のベースラインを一貫して上回り、高い精度、低いレイテンシ、エネルギー効率の向上を実現している。
  論文  参考訳（メタデータ） (2024-08-04T14:10:33Z)
• MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
  本稿では,WSI分析のためのフレームワークMamMILを提案する。 私たちは各WSIを非指向グラフとして表現します。 マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
  論文  参考訳（メタデータ） (2024-03-08T09:02:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。