$\Delta$t-Mamba3D：用于乳腺癌风险预测的时间感知时空状态空间模型
计算机视觉与模式识别
2025-10-23 v1 人工智能
摘要
序列放射学图像的纵向分析受到一个基本数据挑战的阻碍：如何有效地对在不规则时间间隔下采集的高分辨率图像序列进行建模。这种数据结构包含不可或缺的空间和时间线索，而现有方法未能充分利用。模型常常妥协，要么将空间信息压缩为向量，要么应用计算效率低下且与非均匀时间步不兼容的时空模型。我们通过 Time-Aware t-Mamba3D 这一为纵向医学影像适配的新型状态空间架构来应对这一挑战。我们的模型在保持计算高效的同时，编码了不规则的访问间隔和丰富的时空上下文。其核心创新在于一种连续时间选择性扫描机制，该机制将检查之间的真实时间差显式地集成到其状态转换中。作为补充，一个多尺度 3D 邻域融合模块稳健地捕获了时空关系。在使用序列筛查乳腺X光检查的综合性乳腺癌风险预测基准中，我们的模型展现出卓越的性能，与循环、transformer 和状态空间模型的成熟变体相比，验证 c-index 提升了 2-5 个百分点，并获得了更高的 1-5 年 AUC 分数。得益于其线性复杂度，该模型能够高效处理长且复杂的患者乳腺X光筛查病史，为纵向图像分析构建了新框架。
引用
@article{arxiv.2510.19003,
title = {$\Delta$t-Mamba3D: A Time-Aware Spatio-Temporal State-Space Model for Breast Cancer Risk Prediction},
author = {Zhengbo Zhou and Dooman Arefan and Margarita Zuley and Shandong Wu},
journal= {arXiv preprint arXiv:2510.19003},
year = {2025}
}