arXiv cs.LGは2026年5月23日(現地時間)、「Graph Mamba Survival Analysis Based on Topology-Aware ordering」と題する論文を公開した。計算病理学の分野で、Whole Slide Images (WSIs) 生存分析における患者の予後評価を阻む技術的課題に対応するため、本論文は新しいGraph Mamba生存分析フレームワーク「TopoMamSurv」を提案。これは、トポロジー認識順序付け（Topology-Aware ordering, TAO）の採用により、既存手法の限界を克服することを目指す。
計算病理学において、Whole Slide Images (WSIs) を用いた生存分析は、患者の予後評価に不可欠な手法として位置づけられています。しかし、この分野は長年にわたり複数の技術的課題に直面してきました。中でも、Transformerモデルは自己注意メカニズムにより広範囲な依存関係を捉える能力を持つ一方で、その$O(N^2)$に比例する時間計算量が大規模なWSIsグラフ構造の分析において、深刻な計算上のボトルネックとなっていました。
近年登場したMambaモデルは、線形計算量でTransformerモデルが抱えていた計算上のボトルネックを打破する可能性を示しました。しかし、Mambaモデルが入力データの順序に対して高い感度を持つ特性から、Graph Mambaにおける従来のノードソート方法、例えばノード次数やサブグラフサイズに基づくものなどでは、グラフデータのトポロジー的接続性を十分に考慮しきれていないという課題がありました。この不十分さは、Mambaのシーケンシャルモデリング性能を制限する要因となっていました。さらに、Mambaの持つ単方向アーキテクチャは、画像の双方向空間構造を効率的に活用できないという別の課題も提起していました。
本論文は、これらの顕著な課題に対処するため、Mambaモデルのシーケンシャルな特性への適応性を高めた新しいGraph Mamba生存分析フレームワーク「TopoMamSurv」を提案しています。提案されたトポロジー認識順序付け（topology-aware ordering, TAO）戦略は、グラフデータの固有のトポロジー構造をより効果的に捉えるように設計されています。可視化実験の結果、このTAO戦略で抽出されたノードが、従来の順序付け方法に比べてより高い類似性を示すことが確認されており、Mambaモデルのシーケンシャルモデリング性能を向上させる基盤となっています。
さらに、研究チームはフレームワーク内で双方向Mambaモジュールを独自に設計しました。このモジュールをGraph Convolutional Network (GCN) と統合することで、画像の双方向空間コンテキストモデリングを実現しています。これにより、ローカルな情報集約とグローバルな特徴捕捉を両立させるための、階層的な特徴学習アーキテクチャが形成されます。TopoMamSurvは、TAO、双方向セマンティックモデリング、および階層的特徴融合という体系的な設計を通じて、WSIs分析における長距離依存性モデリングの精度、計算効率の最適化、そして画像空間構造の有効活用という、従来矛盾しがちだった複数の要求を効果的に調和させています。
この新しいフレームワークの包括的な性能優位性は、5つのTCGAデータセットを用いた詳細な検証実験によって裏付けられています。
参考: arXiv cs.LG — 2026年6月3日 13:00 (JST)
原文ハイライト"Graph Mamba Survival Analysis Based on Topology-Aware ordering"