論文の概要: AdaSurvMamba: Dynamic Fusion and Semantic Scanning for Multimodal Survival Analysis
- arxiv url: http://arxiv.org/abs/2607.16260v1
- Date: Sun, 28 Jun 2026 11:36:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.062881
- Title: AdaSurvMamba: Dynamic Fusion and Semantic Scanning for Multimodal Survival Analysis
- Title（参考訳）: AdaSurvMamba:マルチモーダル生存分析のためのダイナミックフュージョンとセマンティックスキャン
- Abstract要約: 我々はAdaSurvMambaをマルチモーダルサバイバル分析の新しい適応フレームワークとして紹介する。
このフレームワークは、クロスモーダル相互作用強度を動的に変調するDual-Scale Importance-Aware Reconstruction (DSIR)モジュールを備えている。
5つのTCGAコホートに対する実験は、既存の方法よりも一貫した利得を示している。
- 参考スコア（独自算出の注目度）: 57.942670844512016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal survival analysis utilizing whole slide images (WSIs) and genomic profiles is fundamental for cancer prognosis. Recently, state-space models like Mamba have emerged as powerful tools for sequence modeling. However, translating this success to complex multimodal tasks is hindered by two critical limitations. First, conventional fusion strategies assume a static multimodal interaction strength, ignoring the fluctuating diagnostic importance of each modality across different patients and local regions. Second, the standard Mamba architecture processes tokens along predefined physical paths. This rigid scanning disrupts the semantic continuity of spatially scattered medical features and exacerbates long-range decay. To address these challenges, we introduce AdaSurvMamba as a novel adaptive framework for multimodal survival analysis. The framework features a Dual-Scale Importance-Aware Reconstruction (DSIR) module to dynamically modulate cross-modal interaction strength. It evaluates diagnostic importance at both the sequence and token levels to reconstruct the input representations. Furthermore, we propose a Semantic Aggregation Scanning (SAS) module to overcome contextual fragmentation. The SAS module dynamically reorganizes discrete tokens into semantically continuous sequences via a shared prototype pool. It explicitly modulates the state transition step size using global modality context and semantic priors to adaptively control the information absorption rate. Experiments across five TCGA cohorts demonstrate consistent gains over existing methods. Code is available at https://github.com/zjlGO/AdaSurvMamba.
- Abstract（参考訳）: 全スライド画像(WSI)とゲノムプロファイルを用いたマルチモーダルサバイバル解析は癌予後の基礎となる。
最近、Mambaのような状態空間モデルは、シーケンスモデリングの強力なツールとして登場した。
しかし、この成功を複雑なマルチモーダルタスクに翻訳することは、2つの限界によって妨げられる。
第一に、従来の核融合戦略は静的なマルチモーダル相互作用の強さを前提としており、異なる患者と局所領域における各モダリティの変動する診断の重要性を無視している。
第2に、標準的なMambaアーキテクチャは、事前に定義された物理的パスに沿ってトークンを処理する。
この剛性走査は、空間的に散在する医療特徴のセマンティックな連続性を阻害し、長距離減衰を悪化させる。
これらの課題に対処するため、我々はAdaSurvMambaをマルチモーダルサバイバル分析の新しい適応フレームワークとして紹介する。
このフレームワークは、クロスモーダル相互作用強度を動的に変調するDual-Scale Importance-Aware Reconstruction (DSIR)モジュールを備えている。
入力表現を再構築するために、シーケンスレベルとトークンレベルの両方で診断の重要性を評価する。
さらに,文脈的断片化を克服するセマンティック・アグリゲーション・スキャン(SAS)モジュールを提案する。
SASモジュールは、離散トークンを共有プロトタイププールを介して意味的に連続的なシーケンスに動的に再編成する。
グローバルなモダリティコンテキストとセマンティックオーダを使用して、状態遷移ステップサイズを明示的に変調し、情報吸収率を適応的に制御する。
5つのTCGAコホートに対する実験は、既存の方法よりも一貫した利得を示している。
コードはhttps://github.com/zjlGO/AdaSurvMamba.comで入手できる。
関連論文リスト
- MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。
MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。
HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
論文 参考訳（メタデータ） (2026-06-22T10:14:06Z) - MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification [60.41879345743941]
状態空間モデルとドメイン固有の帰納バイアスを統合するエンドツーエンドアーキテクチャであるMedMambaを提案する。
MedMambaは線形計算複雑性を維持しながら最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-05-24T09:23:39Z) - VISTA: Variance-Gated Inter-Sequence Test-Time Adaptation for Multi-Sequence MRI Segmentation [26.129902154272298]
VISTA(Variance-gated Inter-Sequence Test-Time Adaptation)は、モダリティ-インタラクションシフトに対処する、ソースフリーのフレームワークである。
我々は,CDPL(Cross-View Disagreement-Aware Pseudo Labeling)を導入し,自己学習を動的にゲートし,介入の一貫性を強制する。
論文 参考訳（メタデータ） (2026-05-17T12:57:29Z) - Handling and Interpreting Missing Modalities in Patient Clinical Trajectories via Autoregressive Sequence Modeling [24.896312231457653]
我々は、安全で透明な臨床AIの標準的デシプラタムに対処しながら、欠落したモダリティをプロファイルし、対処するためのフレームワークを開発する。
変換器ベースアーキテクチャを用いた自己回帰シーケンスモデリングはMIMIC-IVおよびeICUファインチューニングベンチマークのベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2026-04-20T18:55:56Z) - Team RAS in 10th ABAW Competition: Multimodal Valence and Arousal Estimation Approach [53.64487844936037]
本手法は,顔,行動,音声の3つの相補的なモードを組み合わせる。
実験により,提案したマルチモーダル核融合戦略は, Aff-Wild2 開発セット上で0.658 の一致相関係数(CCC)を達成することを示した。
論文 参考訳（メタデータ） (2026-03-13T15:06:14Z) - MambaMIL+: Modeling Long-Term Contextual Patterns for Gigapixel Whole Slide Image [24.093388981091717]
多重インスタンス学習(MIL)は、各WSIをパッチレベルのインスタンスの袋として扱うことでソリューションを提供する。
Mambaは長いシーケンス学習のための有望な代替手段として登場し、数千のトークンに線形にスケーリングしている。
長距離依存性モデリングを維持しながら空間コンテキストを明示的に統合する新しいMILフレームワークであるMambaMIL+を提案する。
論文 参考訳（メタデータ） (2025-12-19T16:01:14Z) - Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。
HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。
このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
論文 参考訳（メタデータ） (2025-10-05T09:32:12Z) - Foundation Model for Skeleton-Based Human Action Understanding [56.89025287217221]
本稿では,統一骨格に基づくDense Representation Learningフレームワークを提案する。
USDRLはトランスフォーマーベースのDense Spatio-Temporal (DSTE)、Multi-Grained Feature Deorrelation (MG-FD)、Multi-Perspective Consistency Training (MPCT)で構成されている。
論文 参考訳（メタデータ） (2025-08-18T02:42:16Z) - MurreNet: Modeling Holistic Multimodal Interactions Between Histopathology and Genomic Profiles for Survival Prediction [5.895727565919295]
本稿では,MurreNet(マルチモーダル表現デカップリングネットワーク)を提案する。
MurreNetはペア化された入力データをモダリティ固有表現とモダリティ共有表現に分解し、モダリティ間の冗長性を減少させる。
6つのTCGA癌コホートで行った実験は、MurreNetが生存予測において最先端(SOTA)のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2025-07-07T11:26:29Z) - MoME: Mixture of Multimodal Experts for Cancer Survival Prediction [46.520971457396726]
生存分析は、難しい課題として、全体スライド画像(WSI)とゲノムデータを総合的な意思決定のために統合する必要がある。
従来の手法ではコアテンション(co-attention)方式が用いられており、この手法は両方のモダリティから特徴を分離した後にのみ融合する。
符号化と融合を同時に行うBiased Progressive Clever(BPE)パラダイムを提案する。
論文 参考訳（メタデータ） (2024-06-14T03:44:33Z)
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。