SurvMamba State Space Model with Multi-grained Multi-modal Interaction for Survival Prediction经典经典经典 zh.pdf

SurvMamba：用于生存预测的多粒度多模式交互状态空间模型

陈颖JiajingXie林宇翔

厦门大学信息学院厦门大学国家健康与医学数据科学研究院厦门大学国家健康与医学数据科学研究院

中国厦门中国厦门中国厦门

cying2023@xiejiajing@yuxianglin1218@

WenxianYangRongshanYu∗

宋宇航AginomeScientific厦门大学信息学院

厦门大学信息学院中国厦门

中国厦门

wx@

中国厦门rsyu@

4songyh@

2关键词

0摘要

2

r结合病理图像和基因组数据的多模态学习大大提高了生存预判的准确性。然而，现有的方多模态学习、生存预测、多粒度、Mamba

p

A法并没有充分利用全切片图像（WSI）和转录组数据的内在层次结构，而这种结构可以带ACM参考格式：

来更好的模态内再现和模态间整合。此外，现有的许多研究都试图通过注意力机制来YingChen,JiajingXie,YuxiangLin,YuhangSong,WenxianYang,andRong-shan

1

Yu.2024.SurvMamba：用于生存预测的多粒度多模态交互状态空间模型。In.ACM,New

1改善多模态表征，但在处理高维WSI和转录组数据时，这不可避免地会导致高复杂性。

York,NY,USA,9pages./10.1145/nnnnnnn.nnnnnnn

]

V最近，一种名为Mamba的结构化状态空间模型因其在长序列建模方面的卓越性能和低

C复杂度而成为一种很有前途的方法。在本研究中，我们提出了用于生存预测的多粒度1引言

.

s多模态交互Mamba模型（SurvMamba）。SurvMamba采用了分层交互Mamba（生存预测可评估患者的死亡风险，从而促进与诊断和治疗计划有关的临床决策过程[32]

c

[HIM）模块，该模块有助于在不同粒度上实现高效的模内交互，从而捕捉到更详细的局部。对于癌症患者来说，病理图像和基因组图谱为患者分层和生存分析提供了关键且相互

1特征以及丰富的全局代表。此外，交互融合Mamba（IFM）模