[論文レビュー] CLEAR-Mamba:Towards Accurate, Adaptive and Trustworthy Multi-Sequence Ophthalmic Angiography Classification

Zhuonan Wang, Wenjie Yan+6 more|arXiv (Cornell University)|Jan 28, 2026

Retinal Imaging and Analysis被引用数 0

ひとこと要約

CLEAR-Mamba は Hypernetwork ベースの適応と証拠的信頼性を組み込むことで、単一モダリティの眼底動脈新生血管造影分類を改善し、43疾患の社内データセットで時系列の活用、一般化、校正された不確実性を向上させる。

ABSTRACT

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. Our project can be accessed at https://github.com/ZJU4HealthCare/CLEAR-Mamba.

研究の動機と目的

• 単一モダリティの FFA/ICGA シーケンスにおける時系列情報を活用して頑健な動脈新生血管造影分類を動機づける。
• ケース条件付きパラメータ生成によるドメイン間適応性の向上。
• 校正された不確実性とリスク意識を伴う遅延回避を通じた予測信頼性の向上。
• トレーニングと評価のための大規模な 43-disease の眼科血管造影データセット（FFA/ICGA）を構築・活用する。

提案手法

• Visual State Space Models (VSSMs) を用いて長距離ダイナミクスを捉える効率的な時系列バックボーンとして MedMamba を使用。
• HaC（HyperNetwork ベースの適応 conditioning 層）を導入し、インスタンス条件付き特徴モジュレーションのケース特異パラメータを生成。
• RaP（証拠学習に基づく信頼性認識予測ヘッド）を組み込み、校正された確率と不確実性を出力。
• 不確実性推定のためにNegative Log-Likelihood と Dirichlet prior regularizer を組み合わせた証拠的目的関数で訓練。
• CLEAR-Mamba を三つのスケール（T/S/B）で評価し、院内データおよび公開データセットで CNN/ViT/Mamba ベースラインと比較。

Figure 1: Automated pipeline for extracting, anonymizing, and aligning medical image–text data from raw PDF reports.

実験結果

リサーチクエスチョン

• RQ1 単一モダリティの眼底血管造影（FFA/ICGA）で時系列ダイナミクスを活用することで多疾患分類を大幅に改善できるか。
• RQ2 HaC による hypernetwork 適応と RaP による証拠的信頼性が、ドメインシフト下で精度と予測校正を共同で改善するか。
• RQ3 CLEAR-Mamba は医療特化モデルと一般アーキテクチャとを比較して、Tiny/Small/Big の異なるモデルスケールでどう性能が変わるか。
• RQ4 リスクを意識した臨床意思決定を支える信頼性の高い不確実性推定を提供できるか。
• RQ5 43疾患を含む実世界の単一モダリティ血管造影データセットが、頑健なモデルの訓練に適しているか。

主な発見

• CLEAR-Mamba は院内の 43-disease データセットで、MedMamba を含むベースラインに対して一貫して全指標（OA/ F1/ AUC）を上回る。
• HaC は特徴条件付けを改善し、RaP は校正された不確実性を提供、全モデルで最良の OA/AUC を達成。
• FULL CLEAR は全スケール（T/S/B）で MedMamba-X より高い感度と OA を達成。
• アブレーションにより HaC 単独は過信になり得、RaP 単独は保守的になり得ることが示唆され、両者を組み合わせると較正と識別力が向上。
• t-SNE 埋め込みは CLEAR が同クラス内のクラスタをより密に、クラス間分離をより鮮明に示す。
• 不確実性指標（予測エントロピー）は manual review が必要な場合を効果的に示し、リスク意識のある展開を支援。

Figure 2: Dataset statistics. (a) Class distribution across 43 ocular categories showing a long-tailed pattern. (b) Modality proportion between FFA and ICGA images.