Badacze z arXiv opublikowali nowatorski framework do analizy przeżycia oparty na modelu Mamba i sieciach grafów. Autorzy zaproponowali TopoMamSurv – metodę specjalnie dostosowaną do analizy całoskanowanych slajdów patologicznych (WSI), która ma zastosowanie w ocenie prognozy pacjentów. Kluczowym problemem było to, że tradycyjne modele Transformer mają złożoność O(N²), co становится wąskim gardłem dla dużych struktur grafowych. Mamba rozwiązuje ten problem dzięki liniowej złożoności obliczeniowej.
Alternatywa jednak nie była idealna – Mamba jest niezwykle wrażliwa na kolejność danych wejściowych, a tradycyjne metody sortowania węzłów oparte na stopniu węzła czy wielkości podgrafu nie uwzględniały topologicznej struktury grafów. W praktyce oznaczało to gorszą wydajność sekwencyjnego modelowania. Autorzy zdecydowali się wprowadzić topology-aware ordering (TAO) – nową strategię porządkowania, która bierze pod uwagę faktyczną topologię połączeń w grafie. Testy wizualizacyjne potwierdziły, że węzły wybrane metodą TAO wykazują znacznie wyższą podobieństwo.
Absolutnie nowością jest też dwukierunkowy moduł Mamba i integracja z Graph Convolutional Network (GCN), pozwalające na lepsze modelowanie dwukierunkowych zależności przestrzennych w obrazach medycznych. Rozwiązanie tworzy hierarchiczną architekturę do nauki cech, co w połączeniu z liniową złożonością Mamby powinno znacznie przyspieszyć analizę dużych zbiorów danych patologicznych bez straty na dokładności.