Il Framework MambaBack Affronta le Sfide nell'Analisi delle Immagini Whole Slide per la Patologia Computazionale

Un nuovo articolo di ricerca introduce MambaBack, un framework progettato per superare le limitazioni nell'analisi delle immagini Whole Slide per la patologia computazionale. L'analisi delle immagini Whole Slide è cruciale per la diagnosi del cancro, esaminando dettagli morfologici e architettonici a varie ingrandimenti. Il Multiple Instance Learning funge da framework standard per questo tipo di analisi. Sebbene Mamba sia emerso come un'architettura promettente per il Multiple Instance Learning, superando i Transformer grazie all'efficienza e alla modellazione del contesto globale derivata dal Natural Language Processing, gli approcci esistenti basati su Mamba affrontano problemi significativi. Queste sfide includono la perturbazione della località spaziale 2D quando si appiattisce in sequenze 1D, una modellazione inadeguata delle strutture cellulari locali finemente dettagliate e un elevato consumo di memoria durante l'inferenza su dispositivi edge. Ricerche come MambaOut indicano che il componente State Space Model di Mamba è superfluo per l'estrazione di caratteristiche locali, dove le Gated Convolutional Neural Networks sono sufficienti. Il framework MambaBack affronta specificamente la necessità sia dell'estrazione di caratteristiche locali finemente dettagliate che della modellazione del contesto globale nell'analisi delle immagini Whole Slide. Questo lavoro è documentato nel preprint arXiv:2604.15729v1, annunciato come uno studio interdisciplinare.