ME-Mamba: Mamba Multiexperto con captura y fusión de conocimiento eficientes para análisis de supervivencia...

Área de la Ciencia:

• Biología computacional; Bioinformática; Oncología de precisión

Sus antecedentes:

• El análisis de supervivencia multimodal que integra imágenes de portaobjetos completas (WSI) y genómica es crucial para la oncología de precisión.; Los métodos actuales basados en Transformers enfrentan desafíos con la complejidad cuadrática y la susceptibilidad al ruido.

Objetivo del estudio:

• Presentar ME-Mamba, un marco Multi-Expert Mamba diseñado para el análisis de supervivencia multimodal eficiente y robusto.; Abordar la complejidad computacional y los problemas de ruido en la integración de datos de WSI y genómica.

Principales métodos:

• Se desarrolló un marco Multi-Expert Mamba (ME-Mamba) con complejidad computacional lineal.; Se propuso una estrategia de escaneo guiado por atención para superar el sesgo de escaneo secuencial de Mamba.; Se introdujo un Experto Sinérgico con un mecanismo de fusión de granularidad dual y sin parámetros utilizando Transporte Óptimo (OT) y Discrepancia Máxima de Medias (MMD).

Principales resultados:

• ME-Mamba logró una complejidad lineal, reduciendo significativamente la carga computacional.; El escaneo guiado por atención y el Experto Sinérgico priorizaron efectivamente las características discriminatorias y mejoraron la relación señal/ruido.; Demostró una precisión de predicción y una eficiencia computacional superiores en comparación con los métodos de vanguardia en cinco conjuntos de datos de TCGA.

Conclusiones:

• ME-Mamba ofrece una solución computacionalmente eficiente y robusta para el análisis de supervivencia multimodal en oncología de precisión.; El marco propuesto integra eficazmente datos de WSI y genómica, allanando el camino para mejorar la estratificación de pacientes con cáncer y las estrategias de tratamiento.; El código se pondrá a disposición del público para facilitar la investigación futura.