.png){kind=icon}
返回
SSR-Mam2MIL: Spatial sequence reordering Mamba2 based multiple instance learning for computational pathology
.png){kind=icon}
PRE
AI
DOI：10.1016/j.bspc.2025.109063.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多重实例学习（MIL）是基于全切片图像（WSIs）的计算病理学中的一种有前景的范式。最近，基于状态空间模型（SSMs）的原则，Mamba模型因其能够以线性复杂度建模长序列的能力而被应用于MIL。现有的基于Mamba的框架通过重排操作来增强依赖关系建模。然而，此类操作会破坏实例之间的空间关系，导致可解释性降低和序列信息利用不充分。为解决此问题，提出了一种新型框架SSR-Mam2MIL，用于有效建模WSIs中的实例依赖关系。首先，引入基于索引的序列重排块（ISRB），其中实例序列根据瓦片坐标和聚类分配进行重排，以实现灵活的扫描策略。其次，设计了自适应双向Mamba2模块（ABMM），用于捕获长距离正向和反向依赖关系，并选择性地融合判别特征。此外，利用重排实例序列的空间可解释性生成注意力热图，以验证所提模型的有效性。大量实验表明，所提模型优于当前最先进的MIL方法。在Camelyon16数据集上，SSR-Mam2MIL达到二分类曲线下面积（AUC）78.15%和准确率（ACC）79.22%。在NSCLC数据集上，它达到肿瘤亚型分类AUC 94.10%和ACC 87.83%。在RCC数据集上，它达到AUC 98.68%和ACC 92.47%。
