論文の概要: Graph Mamba Survival Analysis Based on Topology-Aware ordering

• arxiv url: http://arxiv.org/abs/2606.02602v1
• Date: Sat, 23 May 2026 09:23:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.581383
• Title: Graph Mamba Survival Analysis Based on Topology-Aware ordering
• Title（参考訳）: トポロジ・アウェア・オーダリングに基づくグラフマンバ生存分析
• Authors: Yuanfang Chen, Peiqiang Yan, Yuntao Shou, Qian Zhao, Xiangyong Cao,
• Abstract要約: Mambaモデルは、線形複雑性でTransformerの計算ボトルネックを突破する。 Graph Mambaの従来のノードソート手法は、グラフデータのトポロジ的接続を適切に説明できない。 本稿では,トポロジ対応順序付けに基づく新しいグラフマンバ生存分析フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 15.72633662773304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In computational pathology, Whole Slide Images (WSIs) survival analysis is crucial for patient prognosis assessment, but it faces multiple technical challenges. Although the Transformer captures long-range dependencies through its self-attention mechanism, its $O(N^2)$ time complexity causes a severe computational bottleneck in large-scale WSIs graph structures. The Mamba model breaks through the Transformer's computational bottleneck with linear complexity. But, owing to Mamba's high sensitivity to the order of input data, traditional node sorting methods in Graph Mamba, such as those based on node degree or subgraph size, fail to adequately account for the topological connectivity of graph data. This inadequacy consequently restricts the performance of Mamba's sequential modeling. Moreover, its unidirectional architecture cannot leverage the bidirectional spatial structure of images. To address these challenges, this paper proposes a novel Graph Mamba survival analysis framework based on topology-aware ordering (TopoMamSurv) to adapt to the sequential sensitivity of Mamba. Our visualization experiments further confirmed that the nodes extracted through the topology-aware ordering (TAO) strategy indeed exhibit higher similarity. Furthermore, we designed a bidirectional Mamba module and integrated a Graph Convolutional Network (GCN) to achieve bidirectional spatial context modeling of images, forming a hierarchical feature learning architecture for "local aggregation - global capture." This framework effectively reconciles the contradiction between long-range dependency modeling, computational efficiency, and spatial structure utilization in WSIs analysis through its systematic design of TAO, bidirectional semantic modeling, and hierarchical feature fusion. This framework has been validated for its comprehensive performance advantage on five TCGA datasets.
• Abstract（参考訳）: コンピュータ病理学では、全スライド画像(WSI)生存分析は患者の予後を評価する上で重要であるが、複数の技術的課題に直面している。 Transformerは自己保持機構を通じて長距離依存関係をキャプチャするが、その$O(N^2)$時間複雑さは、大規模なWSIsグラフ構造において深刻な計算ボトルネックを引き起こす。 Mambaモデルは、線形複雑性を伴うTransformerの計算ボトルネックを突破する。 しかし、入力データの順序に対するMambaの高感度のため、ノード度やサブグラフサイズなどのグラフMambaの従来のノードソート手法は、グラフデータのトポロジ的接続を適切に説明できない。 この不適切さにより、マンバの逐次モデリングのパフォーマンスが制限される。 さらに、その一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,本稿ではトポロジカル・アウェア・オーダリング(TopoMamSurv)に基づく新しいグラフマンバ生存分析フレームワークを提案する。 可視化実験により, トポロジカル・アウェア・オーダリング(TAO)戦略により抽出したノードは, 実際に高い類似性を示した。 さらに、双方向のマンバモジュールを設計し、画像の双方向空間コンテキストモデリングを実現するためのグラフ畳み込みネットワーク(GCN)を統合し、「局所集約 - グローバルキャプチャー」のための階層的特徴学習アーキテクチャを構築した。 このフレームワークは, TAO, 双方向セマンティックモデリング, 階層的特徴融合の体系設計を通じて, WSI 解析における長距離依存性モデリング, 計算効率, 空間構造利用の矛盾を効果的に解決する。 このフレームワークは、5つのTCGAデータセット上での包括的なパフォーマンス上のアドバンテージとして検証されている。

関連論文リスト

• 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)
• A Comparative Study on Dynamic Graph Embedding based on Mamba and Transformers [0.29687381456164]
  本研究では,変圧器と最近提案されたMambaアーキテクチャを用いた動的グラフ埋め込み手法の比較解析を行った。 グラフ畳み込みネットワークを用いたTransformerG2G Augment、グラフ同型ネットワークエッジ畳み込みを用いたmathcalDG-Mamba、mathcalGDG-Mambaの3つの新しいモデルを紹介した。 複数のベンチマークデータセットに対する実験により,Mambaベースのモデルが,リンク予測タスクにおけるトランスフォーマーベースのアプローチに匹敵する,あるいは優れた性能を達成できることが示されている。
  論文  参考訳（メタデータ） (2024-12-15T19:56:56Z)
• 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)
• GraphMamba: An Efficient Graph Structure Learning Vision Mamba for Hyperspectral Image Classification [19.740333867168108]
  GraphMambaは、深部空間スペクトル情報マイニングを実現するための効率的なグラフ構造学習ビジョンMamba分類フレームワークである。 GraphMambaのコアコンポーネントには、計算効率を改善するHyperMambaモジュールと、適応的な空間コンテキスト認識のためのSpectralGCNモジュールが含まれている。
  論文  参考訳（メタデータ） (2024-07-11T07:56:08Z)
• 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。