본 논문은 조직병리학의 고해상도, 대용량, 복잡한 타일 관계로 인해 대규모 의료 영상 분석에 어려움을 주는 전체 슬라이드 이미지(WSI) 분석을 위한 새로운 프레임워크인 WSI-GMamba를 제안합니다. 기존의 다중 인스턴스 학습(MIL) 방법인 그래프 신경망(GNN)과 트랜스포머 기반 모델의 확장성 및 계산 비용 문제를 해결하기 위해, GNN의 관계 모델링 강점과 시퀀스 학습을 위한 상태 공간 모델인 Mamba의 효율성을 결합합니다. WSI-GMamba는 메시지 전달, 그래프 스캐닝 및 평탄화, 그리고 양방향 상태 공간 모델(Bi-SSM)을 통한 특징 집계를 통합한 GMamba 블록을 통해 트랜스포머 수준의 성능을 7배 적은 FLOPs로 달성합니다. 경량 GNN과 Mamba의 강점을 활용하여 대규모 WSI 분석을 위한 확장 가능한 솔루션을 제공하며, 슬라이드 수준 분류에서 높은 정확도와 계산 효율성을 모두 제공합니다.
