SlideMamba：基于熵的GNN与Mamba自适应融合以提升数字病理表示学习
计算机视觉与模式识别
2025-09-26 v1 定量方法
摘要
计算病理学的进步日益依赖从Whole Slide Images（WSI）中提取有意义的表示，以支持各种临床和生物学任务。本研究提出一种通用的深度学习框架，将Mamba架构与图神经网络（GNN）集成，以实现对WSI分析的增强。该方法旨在捕获局部空间关系和远程上下文依赖，为数字病理分析提供灵活的架构。Mamba模块在捕获远程全局依赖方面表现突出，而GNN则强调细粒度的短程空间相互作用。为有效组合这两种互补信号，我们引入一种熵基准置信度加权的自适应融合策略。该方法通过为具有更高置信度（低熵）预测的分支分配更大权重，动态平衡两者的贡献，取决于局部与全局信息对不同下游任务的上下文重要性。我们在代表性任务上展示了该方法的实用性：从WSI预测基因融合和突变状态。我们的框架SlideMamba在精确召回曲线下面积（PRAUC）上达到0.751 0.05，优于MIL（0.491 0.042）、Trans-MIL（0.39 0.017）、仅Mamba（0.664 0.063）、仅GNN（0.748 0.091）以及类似工作GAT-Mamba（0.703 0.075）。SlideMamba还在ROC AUC（0.738 0.055）、灵敏度（0.662 0.083）和特异度（0.725 0.094）方面取得竞争成绩。这些结果凸显了集成架构——通过提出的熵基准自适应融合策略——的优势，表明在计算病理学中应用基于空间解析的预测建模具有巨大的潜力。
引用
@article{arxiv.2509.21239,
title = {SlideMamba: Entropy-Based Adaptive Fusion of GNN and Mamba for Enhanced Representation Learning in Digital Pathology},
author = {Shakib Khan and Fariba Dambandkhameneh and Nazim Shaikh and Yao Nie and Raghavan Venugopal and Xiao Li},
journal= {arXiv preprint arXiv:2509.21239},
year = {2025}
}