Mamba2MIL: State Space Duality Based Multiple Instance Learning for Computational Pathology

要約

コンピューター病理学 (CPath) は、病理学の臨床実践を大幅に進歩させました。
CPath 内の有望なパラダイムであるマルチ インスタンス学習 (MIL) は、進歩があったにもかかわらず、特に不完全な情報利用に関連した課題に直面し続けています。
畳み込みニューラル ネットワーク (CNN)、アテンション、選択的スキャン スペース状態逐次モデル (SSM) に基づくフレームワークなどの既存のフレームワークには、多様な機能を融合する際の十分な柔軟性とスケーラビリティが欠けており、多様な機能を効果的に融合することができません。
さらに、現在のアプローチは順序関連および順序非依存の特徴を適切に活用していないため、配列情報の利用が最適とは言えません。
これらの制限に対処するために、私たちは Mamba2MIL と呼ばれる新しい MIL フレームワークを提案します。
私たちのフレームワークは、状態空間二重性モデル (SSD) を利用して、スライド画像全体 (WSI) のパッチの長いシーケンスをモデル化します。これは、重み付けされた特徴選択と組み合わせることで、より多くの分岐特徴の融合処理をサポートし、特定のアプリケーションのニーズに応じて拡張できます。
。
さらに、さまざまな WSI サイズに合わせたシーケンス変換方法を導入します。これにより、ローカルシーケンス情報を保存しながらシーケンスに依存しない機能が強化され、シーケンス情報の利用率が向上します。
広範な実験により、Mamba2MIL が最先端の MIL メソッドを上回ることが実証されました。
複数のデータセットにわたって広範な実験を実施し、ほぼすべてのパフォーマンス指標の改善を達成しました。
具体的には、NSCLC データセットでは、Mamba2MIL は 0.9533 のバイナリ腫瘍分類 AUC と 0.8794 の精度を達成します。
BRACS データセットでは、マルチクラス分類 AUC 0.7986 と精度 0.4981 を達成しています。
コードは https://github.com/YuqiZhang-Buaa/Mamba2MIL で入手できます。

要約(オリジナル)

Computational pathology (CPath) has significantly advanced the clinical practice of pathology. Despite the progress made, Multiple Instance Learning (MIL), a promising paradigm within CPath, continues to face challenges, particularly related to incomplete information utilization. Existing frameworks, such as those based on Convolutional Neural Networks (CNNs), attention, and selective scan space state sequential model (SSM), lack sufficient flexibility and scalability in fusing diverse features, and cannot effectively fuse diverse features. Additionally, current approaches do not adequately exploit order-related and order-independent features, resulting in suboptimal utilization of sequence information. To address these limitations, we propose a novel MIL framework called Mamba2MIL. Our framework utilizes the state space duality model (SSD) to model long sequences of patches of whole slide images (WSIs), which, combined with weighted feature selection, supports the fusion processing of more branching features and can be extended according to specific application needs. Moreover, we introduce a sequence transformation method tailored to varying WSI sizes, which enhances sequence-independent features while preserving local sequence information, thereby improving sequence information utilization. Extensive experiments demonstrate that Mamba2MIL surpasses state-of-the-art MIL methods. We conducted extensive experiments across multiple datasets, achieving improvements in nearly all performance metrics. Specifically, on the NSCLC dataset, Mamba2MIL achieves a binary tumor classification AUC of 0.9533 and an accuracy of 0.8794. On the BRACS dataset, it achieves a multiclass classification AUC of 0.7986 and an accuracy of 0.4981. The code is available at https://github.com/YuqiZhang-Buaa/Mamba2MIL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google