拓扑感知排序驱动图Mamba：突破全切片图像生存分析计算瓶颈
在计算病理学中，全切片图像（WSI）的生存分析对患者预后评估至关重要，但面临多重技术挑战。传统Transformer虽能通过自注意力机制捕获长程依赖，但其二次方时间复杂度在大规模WSI图结构上造成严重计算瓶颈。Mamba模型以线性复杂度突破这一瓶颈，然而Mamba对输入数据顺序高度敏感，现有图Mamba中基于节点度或子图大小的排序方法未能充分考虑图数据的拓扑连通性，限制了Mamba序列建模的性能。此外，其单向架构无法利用图像的双向空间结构。
针对上述问题，最新研究提出一种基于拓扑感知排序的图Mamba生存分析框架（TopoMamSurv）。该框架的核心创新包括：
- 拓扑感知排序策略：通过考虑节点间的拓扑连接性生成有序序列，可视化实验证实该策略提取的节点具有更高相似性。
- 双向Mamba模块：结合图卷积网络（GCN）实现图像的双向空间上下文建模，形成“局部聚合-全局捕获”的分层特征学习架构。
该框架通过系统设计，有效调和了WSI分析中长程依赖建模、计算效率与空间结构利用之间的矛盾。在五个TCGA数据集上的验证表明，TopoMamSurv在综合性能上具有显著优势。
技术背景与动机
WSI通常包含数十亿像素，直接处理计算代价极高。现有方法常将WSI划分为图结构，节点代表组织区域，边表示空间关系。Transformer在此类图上表现优异，但二次方复杂度使其难以扩展到大规模图。Mamba作为状态空间模型，具有线性复杂度，但其序列建模能力对输入顺序敏感。传统排序方法（如按节点度）忽略了图拓扑，导致Mamba无法有效捕捉局部结构模式。
核心方法
- 拓扑感知排序（TAO）：设计一种排序函数，根据节点在拓扑空间中的重要性（如基于中心性度量）生成序列。实验显示，TAO排序后的节点序列中相邻节点特征相似度更高，有利于Mamba的序列建模。
- 双向Mamba模块：将Mamba的单向扫描扩展为双向，分别从正反两个方向处理序列，再通过GCN融合双向特征，从而利用WSI的二维空间结构。
- 分层特征融合：先由GCN进行局部聚合，再由双向Mamba捕获全局依赖，形成多尺度表示。
实验结果
在TCGA肺癌、乳腺癌等五个数据集上，TopoMamSurv相比现有最优方法（如TransMIL、Graph Transformer）在C-index和AUC指标上提升约3%-5%，同时训练时间减少40%以上。消融实验证实TAO和双向模块均贡献显著。
行业影响
该工作为计算病理学中的高效生存分析提供了新范式。Mamba在医学图像分析中的应用仍处于早期，TopoMamSurv通过解决排序敏感性问题，推动了状态空间模型在WSI分析中的实用化。未来可进一步探索更复杂的拓扑感知策略及多模态融合。