Kanser teşhisinde mikroskobik doku örneklerinin analizi kritik öneme sahip. Bu süreçte kullanılan Bütün Slayt Görüntü (WSI) analizi, farklı büyütme oranlarındaki morfolojik ve mimari ipuçlarını birleştirerek hastalığın tespitini mümkün kılıyor.
Araştırmacılar, bu alanda kullanılan Multiple Instance Learning (MIL) çerçevesini geliştirmek için MambaBack adlı yeni bir sistem tasarladı. Doğal dil işlemeden uyarlanan Mamba teknolojisi, verimlilik ve global bağlam modellemede Transformer'ları geride bırakmış durumda.
Ancak mevcut Mamba tabanlı yaklaşımların üç önemli sorunu bulunuyor: 2D görüntülerin 1D dizilere dönüştürülmesi sırasında uzamsal bilgilerin kaybolması, ince hücresel yapıların yetersiz modellemesi ve kaynak kısıtlı cihazlarda yüksek bellek kullanımı.
MambaBack bu sorunları çözmek için hibrit bir yaklaşım benimsiyor. Sistem, yerel özellik çıkarımı için Gated CNN'leri kullanırken, global bağlam için Mamba'nın güçlü yanlarından faydalanıyor. Bu sayede hem detaylı hücresel analiz hem de genel doku yapısının değerlendirilmesi mümkün oluyor.
Yeni mimarinin en önemli avantajı, düşük bellek gereksinimiyle çalışması. Bu özellik, gelişmiş kanser teşhis teknolojilerinin daha küçük sağlık kurumlarında da kullanılabilmesini sağlayabilir.