Newest papers

LEAF-Mamba: Feature Adaptation and Fusion for Whole Slide Image Analysis

Lizhao Gan, Jing Zhang, Mingjun Ma, Linhao Qu, Dachun Kai, Xiaoyan Sun · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.29746 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Phân tích toàn bộ hình ảnh trượt (WSI) cho phép chẩn đoán và dự đoán tính toán, nhưng hình ảnh gigapixel và ghi chú hạn chế làm cho việc học hiệu quả ở cấp độ trượt khó khăn. Học tập nhiều trường hợp giải quyết nhiệm vụ này bằng cách tổng hợp các đại diện bản vá từ các bộ mã hóa trước khi đóng băng. Gần đây, Mamba đã cho phép mô hình hóa hiệu quả của các chuỗi bản vá dài. Tuy nhiên, giám sát nhiệm vụ một mình không hạn chế rõ ràng việc phục hồi thông tin trong quá trình thích ứng tính năng, trong khi Mamba ghép xử lý địa phương với sự lây lan phạm vi dài thay vì giữ lại các đại diện riêng biệt cho việc sáp nhập. Được thúc đẩy bởi những thách thức này, chúng tôi đã giới thiệu LEAF-Mamba, một khuôn khổ chung giải quyết sự thích ứng bằng chứng và sáp

Machine translation (Meta M2M100); the English original follows.

Abstract

Whole slide image (WSI) analysis enables computational diagnosis and prognosis, but gigapixel images and limited annotations make slide-level learning challenging. Multiple instance learning addresses this task by aggregating patch representations from frozen pretrained encoders. Recently, Mamba has enabled efficient modeling of long patch sequences. However, task supervision alone does not explicitly constrain information recovery during feature adaptation, while Mamba couples local processing with long-range propagation rather than retaining separate representations for fusion. Motivated by these challenges, we introduce LEAF-Mamba, a framework that jointly addresses latent evidence adaptation and fusion for frozen-feature WSI analysis. A reconstruction-regularized adapter learns compact, task-specific representations while reconstructing the input features. Parallel Mamba and convolutional streams then capture long-range dependencies and sequence-local interactions, with an input-dependent gate modulating their joint representation before slide-level pooling. Experiments across feature extractors demonstrate improved average performance over strong MIL baselines in both diagnostic classification and survival prediction. Component analyses further support the contributions of adaptation and fusion. These findings highlight the value of jointly designing feature transformation and contextual aggregation to translate pretrained representations into effective slide-level predictions.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Artificial intelligence, Feature (linguistics), Task (project management), Representation (politics), Feature learning

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange