HGP-Mamba：集成组织学与生成蛋白特征的基于Mamba的多模态生存风险预测
计算机视觉与模式识别
2026-03-19 v2
摘要
近期的多模态学习进展显著优于癌症生存风险预测。然而，蛋白标志物与组织学图像的联合预后潜力仍未得到充分探索，主要由于蛋白表达谱分析成本高且数据稀缺。为此，我们提出HGP-Mamba，一个基于Mamba的多模态框架，高效整合组织学与生成蛋白特征用于生存风险预测。具体而言，我们引入蛋白特征提取器（PFE），利用预训练基础模型从 Whole Slide Images（WSIs）中直接导出高通量蛋白嵌入，实现对分子信息的数据高效集成。结合捕获形态学模式的组织学嵌入，我们进一步引入局部感知Mamba（LiAM）用于细粒度特征交互，以及全局感知增强Mamba（GiEM）以在病灶级别促进整体模态融合，从而捕获复杂的跨模态依赖关系。在四个公开癌症数据集上进行的实验表明，HGP-Mamba 在实现最先进性能的同时，还优于现有方法具有卓越的计算效率。我们的源代码已公开发布于 https://github.com/Daijing-ai/HGP-Mamba.git。
引用
@article{arxiv.2603.16421,
title = {HGP-Mamba: Integrating Histology and Generated Protein Features for Mamba-based Multimodal Survival Risk Prediction},
author = {Jing Dai and Chen Wu and Ming Wu and Qibin Zhang and Zexi Wu and Jingdong Zhang and Hongming Xu},
journal= {arXiv preprint arXiv:2603.16421},
year = {2026}
}
备注
Accepted at IEEE ICME 2026. This arXiv version includes additional supplementary experiments and extended discussions beyond the conference version