[논문 리뷰] CLEAR-Mamba:Towards Accurate, Adaptive and Trustworthy Multi-Sequence Ophthalmic Angiography Classification

Zhuonan Wang, Wenjie Yan외 6명|arXiv (Cornell University)|2026. 01. 28.

Retinal Imaging and Analysis인용 수 0

한 줄 요약

CLEAR-Mamba는 단일 모달(FFA/ICGA) 안과 혈관조영 분류를 하이퍼네트워크 기반 적응 및 증거적 신뢰성을 도입하여 더 나은 시간적 활용, 일반화 및 보정된 불확실성을 달성하며, 43-disease 내부 데이터셋에서 우수한 성능을 보임.

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.

연구 동기 및 목표

• 단일 모달 FFA/ICGA 시퀀스의 시간 정보를 활용하여 견고한 혈관조영 분류를 모티브화한다.
• 케이스-조건 생성 파라미터로 도메인 간 적응성 개선.
• 보정된 불확실성과 위험 기반 심사를 통한 예측 신뢰성 강화.
• 훈련 및 평가를 위한 대규모 43-질병 안과 혈관조영 데이터셋(FFA/ICGA) 구축 및 활용.

제안 방법

• MedMamba를 효율적인 시간적 백본으로 활용하여 Visual State Space Models (VSSMs)를 통해 장거리 동적성을 포착한다.
• HaC, 하이퍼네트워크 기반 적응적 컨디셔닝 층을 도입하여 인스턴스 조건부 피처 모듈레이션에 특화된 파라미터를 생성한다.
• RaP, 증거적 학습에 기반한 신뢰성 인식 예측 헤드를 도입하여 보정된 확률 및 불확실성을 출력한다.
• 부정 우도-Dirichlet 사전 규제기를 결합한 증거적 목적 함수로 불확실성 추정을 수행한다.
• CLEAR-Mamba를 세 가지 규모(T/S/B)로 평가하고, 내부 및 공개 데이터셋에서 CNN/ViT/Mamba 베이스라인과 비교한다.

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

실험 결과

연구 질문

• RQ1 단일 모달 안과 혈관조영(FWA/ICGA)에서 시간 역학을 활용해 다질병 분류를 크게 개선할 수 있는가?
• RQ2 하이퍼네트워크 기반 적응(HaC)과 증거적 신뢰성(RaP)이 도메인 변 shifts 하에서 정확도와 예측 보정에 함께 기여하는가?
• RQ3 의료 특화 아키텍처와 일반 아키텍처를 비교해 본 CLEAR-Mamba가 Tiny/Small/Big 모델 스케일에서 어떻게 성능 차이를 보이는가?
• RQ4 위험 기반 임상의사결정을 지원하는 신뢰할 수 있는 불확실성 추정치를 제공하는가?
• RQ5 43질병의 대규모 실제 단일 모달 혈관조영 데이터셋이 Robus 모델 학습에 적합한가?

주요 결과

• CLEAR-Mamba는 내부 43질병 데이터셋에서 MedMamba를 포함한 베이스라인을 지속적으로 능가하며 모든 메트릭(OA, F1, AUC)에서 우수한 성능을 달성한다.
• HaC는 피처 컨디셔닝을 개선하고 RaP는 보정된 불확실성을 제공하며 전체 모델은 OA와 AUC에서 최적의 성능을 달성한다.
• 전체 CLEAR는 Tiny/Small/Big 스케일에서 MedMamba-X보다 더 높은 민감도 및 OA를 달성한다.
• 절단 연구(ablation)에서 HaC 단독은 과신을 초래할 수 있고 RaP 단독은 과도하게 보수적일 수 있음을 보여주며, 이 둘을 함께 사용 시 보정 및 판별력이 향상된다.
• t-SNE 임베딩은 CLEAR가 동급 모델보다 내부 클래스 응집도가 더 촘촘하고 클래스 간 분리가 더 명확함을 시사한다.
• 불확실성 지표(예측 엔트로피)가 수작업 검토가 필요한 시점을 효과적으로 나타내어 위험 인식 배포를 지원한다.

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