ME-Mamba：用于多模态生存分析的多专家 Mamba 高效知识捕获与融合

使用全切片图像（whole-slide images, WSIs）进行生存分析是癌症研究中的关键任务。尽管取得了显著进展，但病理图像通常仅提供切片级标签，限制了从大型切片中学习判别性表示。随着高通量测序技术的快速发展，集成病理图像和基因组数据的多模态生存分析正成为具有前景的method。我们提出一种多专家 Mamba（Multi-Expert Mamba, ME-Mamba）系统，通过捕获判别性病理特征和基因组特征，实现两类模态的高效集成。该方法在不丢失单个模态关键信息的前提下，实现互补信息融合，从而促进准确的癌症生存分析。具体而言，我们首先引入病理专家（Pathology Expert）和基因组专家（Genomics Expert）分别处理单模态数据。两者均采用包含常规扫描与注意力扫描机制的 Mamba 架构，能够从包含大量冗余或无关信息的长序列实例中提取判别性特征。随后，我们设计一种协同专家（Synergistic Expert），通过最优传输（Optimal Transport）显式学习两模态的 token 级局部对应关系，并通过基于最大均值差异（Maximum Mean Discrepancy）的全局跨模态融合损失隐式增强分布一致性。最终融合后的特征表示传递至 Mamba 主干网络进行进一步集成。通过病理专家、基因组专家与协同专家的协同工作，本方法在保持较低计算复杂度的同时，实现了稳定且准确的生存分析。广泛的实验结果表明，在 The Cancer Genome Atlas（TCGA）中的五个数据集上，我们的方法在性能上实现了领先的水平。