CLEAR-Mamba：面向准确、自适应与可信的多序列视网膜血管造影分类

医学图像分类是计算机辅助诊断（CAD）中的核心任务，在早期疾病检测、治疗规划和患者预后评估中发挥着关键作用。在眼科实践中，荧光素 Fundus 血管造影（FFA）和二氯色绿血管造影（ICGA）提供了常规 Fundus 照片无法捕获的血流动力学和病灶结构信息。然而，由于单一模态特性、细微病灶模式以及显著的设备间差异，现有方法在泛化性和高置信度预测方面仍存在局限。为此，我们提出了CLEAR-Mamba，一个基于MedMamba并在架构和训练策略上进行优化的增强框架。从架构上讲，我们引入了HaC——一种基于超网络的自适应条件层，根据输入特征分布动态生成参数，从而提高跨域适应性。从训练视角，我们开发了RaP——一种基于证据不确定性学习的可靠性感知预测方案，该方案鼓励模型关注低置信度样本，提高整体稳定性和可靠性。我们进一步构建了一个大规模视网膜血管造影数据集，涵盖FFA和ICGA两种模态，包含多个视网膜疾病类别，用于模型训练和评估。实验结果表明，CLEAR-Mamba在多项指标上均优于多个基线模型，包括原始MedMamba，尤其在多疾病分类和可靠性感知预测方面表现突出。本研究为模态特定的医学图像分类任务提供了一种在通用性和可靠性之间取得平衡的有效解决方案。我们的项目可访问于https://github.com/ZJU4HealthCare/CLEAR-Mamba。