GraphMamba：结合图驱动选择性状态空间模型的全切片图像分类

基于摘要分析，目前材料仅包含研究亮点，未取得论文全文。该研究面向全切片图像（WSI）分类，提出 GraphMamba，通过结合图结构与 Mamba，建模局部组织结构及长程关系，形成用于预测的整体 bag 表征；其主要研究对象是病理图像，而非 EEG 或 BCI。 机制上，作者描述了三个组成部分：组内 graph Mamba 探索各组内部实例之间的相关性；跨组特征采样提取不同组之间具有判别性的特征；组间 graph Mamba 进一步整合信息，以增强整体 bag 表征。这一设计的阅读价值在于，图结构和选择性状态空间建模并非仅并列使用，而是围绕组内关系、跨组特征选择及组间整合形成分层处理路径。具体分组规则、图构建方式、实例特征来源、采样准则及训练目标尚未验证。 作者报告该设计旨在增强局部组织结构与全局关系学习，并改善预测，但所给材料未提供数据集、样本规模、数据划分、对照基线或量化指标，无法据此判断分类提升幅度及各模块的独立贡献。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未验证。 平台推测（待验证）：若其图驱动机制能处理具有空间关系的分组实例，可假设将 EEG 通道或时空片段作为实例，探索局部关系与跨区域依赖的联合建模。可考虑复用组内与组间关系建模思路，但需重新定义节点、分组、连接和采样策略；原方法对实例规模、空间结构及监督方式的依赖仍需核对。EEG 的低信噪比、跨被试差异、通道配置变化及小数据条件可能使特征采样不稳定或导致过拟合。一个可检验的小实验是在固定 Cross-subject 划分、相同输入特征与训练预算下，对比 Mamba 基线和加入分组图关系的版本，检验收益是否稳定。已有 EEG 相关工作尚未检索确认，该假设不代表已证实的 BCI 效果。