MambaBack：全スライド画像解析においてローカル特徴とグローバル文脈をつなぐ

Abstract

全スライド画像（WSI）解析は計算病理学において重要であり、複数倍率にわたって形態学的および構造的手がかりを統合することでがん診断を可能にします。複数インスタンス学習（MIL）は、WSI解析の標準的な枠組みです。近年、Mambaは有望なMILバックボーンとして注目されており、自然言語処理（NLP）由来の高効率さとグローバルな文脈モデリング能力により、Transformersを上回る存在になっています。しかし、既存のMambaベースのMILアプローチには3つの重大な課題があります。（1）1D系列のフラット化によって2Dの空間的局所性が損なわれること、（2）微細な局所的細胞構造のモデリングが不十分であること、（3）リソース制約のあるエッジデバイス上で推論を行う際にメモリ使用のピークが高いことです。MambaOutのような研究は、MambaのSSMコンポーネントは局所特徴抽出に冗長であり、Gated CNNで十分であることを示しています。WSI解析では、自然画像に近いきめ細かな局所特徴抽出と、NLPに近いグローバル文脈モデリングの両方が必要であることを踏まえ、MambaBackという新しいハイブリッドアーキテクチャを提案します。これはMambaとMambaOutの強みを調和させるものです。まず、Hilbertサンプリング戦略を提案し、1D系列内でタイルの2D空間的局所性を保持してモデルの空間認識を高めます。次に、MambaOutに基づく1D Gated CNNブロックで局所の細胞特徴を捉え、BiMamba2ブロックでグローバルな文脈を集約する、階層的な構造を設計し、マルチスケール表現を共同で強化します。最後に、非対称なチャンク分割の設計を実装し、学習時の並列処理と、推論時のチャンクストリーミングによる累積を可能にすることで、デプロイ時のピークメモリ使用量を最小化します。5つのデータセットでの実験結果により、MambaBackは7つの最先端手法を上回ることが示されています。ソースコードとデータセットは公開されています。