SSMamba：病理画像分類のための自己教師ありハイブリッド状態空間モデル

要旨: 病理診断は画像解析への依存度が非常に高く、関心領域（Regions of Interest; ROIs）が診断上の根拠の主要な基盤となる一方で、全スライド画像（whole-slide image; WSI）レベルのタスクでは主として集約されたパターンが捉えられます。これらの重要な形態学的特徴を抽出するために、Vision Transformer（ViT）に基づくROIレベルの基盤モデル（Foundation Models; FMs）と、大規模な自己教師あり学習（Self-Supervised Learning; SSL）が広く採用されてきました。しかし、ROI解析への適用においては次の3つの中核的な制約が残っています:（1）倍率の異なる領域間でのドメインシフト。固定スケールでの事前学習が多様な臨床環境への適応を妨げること。（2）局所と全体の関係のモデリングが不十分。FMのViTバックボーンは計算オーバーヘッドが大きく、局所的な特徴表現が精確ではないこと。（3）きめ細かな感度が不足。従来の自己注意機構は、微細な診断手がかりを見落としがちであること。これらの課題に対処するために、我々はSSMambaを提案します。SSMambaは、大規模な外部データセットに依存せずに、効果的なきめ細かな特徴学習を可能にするハイブリッドSSLフレームワークです。本フレームワークには、3つのドメイン適応コンポーネントが組み込まれています: ドメインシフトを緩和するためのMamba Masked Image Modeling（MAMIM）、局所と全体のモデリングをバランスさせるためのDirectional Multi-scale（DMS）モジュール、そしてきめ細かな感度を高めるためのLocal Perception Residual（LPR）モジュールです。二段階パイプラインを用い、まず標的ROIデータセット上でSSL事前学習を行い、その後に教師あり微調整（SFT）を実施することで、SSMambaは10の公開ROIデータセットにおいて11の最先端（SOTA）病理FMを上回り、さらに6つの公開WSIデータセットにおいて8つのSOTA手法を上回ります。これらの結果は、病理画像解析におけるタスク固有のアーキテクチャ設計が優れていることを裏付けています。