CLEAR-Mamba: 정확하고, 적응력이 뛰어나며, 신뢰할 수 있는 다중 시퀀스 안과 혈관 촬영 분류를 향하여

CLEAR-Mamba:Towards Accurate, Adaptive and Trustworthy Multi-Sequence Ophthalmic Angiography Classification

의료 영상 분류는 컴퓨터 지원 진단(CAD)의 핵심 과제로, 조기 질병 감지, 치료 계획 수립 및 환자 예후 평가에 중요한 역할을 합니다. 안과 분야에서 형광 안저 혈관 촬영(FFA) 및 인산녹색 혈관 촬영(ICGA)은 기존 안저 사진으로는 포착할 수 없는 혈역학 및 병변 구조 정보를 제공합니다. 그러나 단일 모달 방식, 미세한 병변 패턴 및 상당한 장치 간 변동성으로 인해 기존 방법은 일반화 및 높은 신뢰도 예측 측면에서 여전히 한계점을 가지고 있습니다. 이러한 문제를 해결하기 위해, 우리는 MedMamba를 기반으로 아키텍처 및 학습 전략을 최적화한 향상된 프레임워크인 CLEAR-Mamba를 제안합니다. 아키텍처 측면에서, 입력 특징 분포에 따라 동적으로 파라미터를 생성하여 교차 도메인 적응성을 향상시키는 하이퍼네트워크 기반 적응 조건부 레이어인 HaC을 도입했습니다. 학습 관점에서, 우리는 증거 기반 불확실성 학습을 기반으로 하여 모델이 낮은 신뢰도 샘플을 강조하고 전체적인 안정성과 신뢰성을 향상시키는 신뢰도 기반 예측 체계인 RaP를 개발했습니다. 또한, 모델 학습 및 평가를 위한 다양한 망막 질환 범주를 포함하는 대규모 안과 혈관 촬영 데이터 세트를 구축했습니다. 실험 결과는 CLEAR-Mamba가 원본 MedMamba를 포함한 여러 기본 모델보다 다양한 지표에서 일관되게 우수한 성능을 보이며, 특히 다중 질병 분류 및 신뢰도 기반 예측에서 뛰어난 장점을 보여줍니다. 본 연구는 모달리티별 의료 영상 분류 작업에서 일반화 능력과 신뢰성을 균형 있게 갖춘 효과적인 솔루션을 제공합니다.

Medical image classification is a core task in computer-aided diagnosis (CAD), playing a pivotal role in early disease detection, treatment planning, and patient prognosis assessment. In ophthalmic practice, fluorescein fundus angiography (FFA) and indocyanine green angiography (ICGA) provide hemodynamic and lesion-structural information that conventional fundus photography cannot capture. However, due to the single-modality nature, subtle lesion patterns, and significant inter-device variability, existing methods still face limitations in generalization and high-confidence prediction. To address these challenges, we propose CLEAR-Mamba, an enhanced framework built upon MedMamba with optimizations in both architecture and training strategy. Architecturally, we introduce HaC, a hypernetwork-based adaptive conditioning layer that dynamically generates parameters according to input feature distributions, thereby improving cross-domain adaptability. From a training perspective, we develop RaP, a reliability-aware prediction scheme built upon evidential uncertainty learning, which encourages the model to emphasize low-confidence samples and improves overall stability and reliability. We further construct a large-scale ophthalmic angiography dataset covering both FFA and ICGA modalities, comprising multiple retinal disease categories for model training and evaluation. Experimental results demonstrate that CLEAR-Mamba consistently outperforms multiple baseline models, including the original MedMamba, across various metrics-showing particular advantages in multi-disease classification and reliability-aware prediction. This study provides an effective solution that balances generalizability and reliability for modality-specific medical image classification tasks.