面向Neoplastic Tubular Adenoma分类的XtraLight-MedMamba

准确地对肠癌（CRC）风险的肠癌前病变在常规结肠镜筛查中进行分层是降低结直肠癌发生率的关键策略。然而，低级别失活诊断仍受主观病理学解释的局限。计算病理学和深度学习的进展为识别与恶性进展相关的微妙细微形态模式提供了新的机会，这些模式可能对人类眼睛是不可见的。在本工作中，我们提出了XtraLight-MedMamba，这是一个超轻量级基于状态空间的深度学习框架，用于从全切片图像（WSI）中对Neoplastic Tubular Adenoma进行分类。该架构将基于ConvNeXt的浅层特征提取器与并行视觉Mamba块相结合，高效地在全局上下文结构中建模局部纹理线索。通过集成空间和通道注意力桥（SCAB）模块，增强了多尺度特征提取；Fixed Non-Negative Orthogonal Classifier（FNOClassifier） enables substantial parameter reduction and improved generalization。该模型在来自低级别管状腺瘤患者的精选数据集上进行评估，该数据集根据后续CRC发展情况分为病例和对照队列。XtraLight-MedMamba以97.18%的准确率和0.9767的F1分数运行，仅使用约32,000个参数，优于基于Transformer和常规Mamba架构，这些架构具有显著更高的模型复杂度和计算负担，适用于资源受限地区。