Codificador Lineal Multi-escala para Análisis de Imágenes de Cortes Completos

Área de la Ciencia:

• Patología computacional
• Inteligencia artificial en medicina
• Análisis de imágenes biomédicas

Sus antecedentes:

• El análisis de imágenes de cortes completos (WSI) es complejo debido a los tamaños de gigapíxeles y las múltiples magnificaciones.
• Los métodos existentes de aprendizaje de múltiples instancias (MIL) a menudo utilizan análisis de una sola escala.
• Los modelos Transformer enfrentan desafíos computacionales con costos de atención cuadráticos.

Objetivo del estudio:

• Introducir MARBLE, un marco MIL puramente basado en Mamba para el análisis eficiente de WSI.
• Permitir el procesamiento paralelo de múltiples niveles de magnificación para un razonamiento integrado.
• Proporcionar una alternativa escalable y modular a las arquitecturas basadas en atención.

Principales métodos:

• Se desarrolló el Codificador Lineal Adaptativo Multi-escala Recurrente Biomédico (MARBLE).
• Se empleó un modelo de espacio de estados basado en Mamba para la modelización de secuencias en tiempo lineal.
• Se implementó el procesamiento paralelo de múltiples escalas de WSI con razonamiento de grueso a fino.

Principales resultados:

• MARBLE demostró mejoras significativas de rendimiento en cinco conjuntos de datos públicos.
• Se logró un aumento de hasta el 6,9% en el Área Bajo la Curva (AUC).
• Se mostraron mejoras de hasta el 20,3% en precisión y del 2,3% en el índice C.

Conclusiones:

• MARBLE establece un nuevo estándar para el análisis eficiente y generalizable de WSI multi-escala.
• El enfoque basado en Mamba ofrece una solución escalable que supera las limitaciones de los métodos existentes.
• MARBLE captura eficazmente las dependencias entre escalas con una sobrecarga mínima de parámetros.