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

Het paper introduceert CLEAR-Mamba, een geoptimaliseerd raamwerk dat hypernetwerk-gebaseerde adaptieve conditionering en betrouwbaarheidsbewuste voorspelling combineert om de nauwkeurigheid, generalisatie en betrouwbaarheid van de classificatie van oogangiografie-beelden (FFA en ICGA) te verbeteren.

De kern

Stel je voor dat een oogarts een heel complexe detective is. Om te weten wat er mis is met een patiënt, kijkt hij niet naar één foto, maar naar een film. Deze film bestaat uit een reeks beelden (angiografie) die laten zien hoe het bloed door de kleine vaatjes in het oog stroomt. Soms is het een film met een speciale blauwe kleurstof (FFA), soms met een groene (ICGA).

Het probleem is dat deze films heel lastig te analyseren zijn. Ze zijn vaak wazig, de ziektes lijken op elkaar, en elke camera maakt de beelden net iets anders. Bestaande computersystemen (AI) zijn vaak als een beginner die alleen naar één frame van de film kijkt. Ze missen het verhaal: hoe het bloed beweegt, hoe een vlekje groeit of verkleurt. Bovendien zijn ze vaak te zelfverzekerd: ze zeggen "100% zeker dat het kanker is", terwijl ze eigenlijk maar 60% zekerheid hebben. Dat is gevaarlijk in de geneeskunde.

De onderzoekers van de Universiteit van Zhejiang hebben een nieuwe oplossing bedacht: CLEAR-Mamba.

Hier is hoe het werkt, vertaald naar alledaagse termen:

1. De "Mamba" als een slimme filmrecorder

Stel je voor dat je een lange film moet samenvatten. Een oude computer (zoals een CNN) kijkt naar één klein stukje van de film en probeert daar een conclusie te trekken. Een andere computer (zoals een ViT) probeert de hele film tegelijk te zien, maar dat kost zo veel energie dat hij vastloopt.

CLEAR-Mamba gebruikt een nieuwe techniek (de "Mamba") die zich gedraagt als een slimme filmrecorder. Hij kan de hele film van begin tot eind bekijken, onthoudt wat er eerder gebeurde (de bloedstroom) en begrijpt hoe het verhaal zich ontwikkelt, zonder dat hij de hele wereld moet verplaatsen om dat te doen. Hij is snel, efficiënt en ziet de "flow" van de ziekte.

2. De "HaC" als een slimme vertaler

Elke oogarts heeft een eigen manier van werken, en elke camera maakt beelden op een iets andere manier. Een model dat is getraind op beelden van de ene kliniek, faalt vaak op beelden van de andere.

CLEAR-Mamba heeft een ingebouwde "HaC" (Hyper-adaptive Conditioning) module. Denk hierbij aan een slimme vertaler die zich aanpast aan de spreker.

• Als de beelden erg donker zijn, past de vertaler zijn bril aan.
• Als de beelden erg ruis hebben, past hij zijn oren aan.
• Hij "kleurt" het model dynamisch in, zodat het precies past bij de specifieke beelden die hij nu ziet. Hierdoor werkt het systeem overal, ongeacht welke camera of welke ziekte het is.

3. De "RaP" als een voorzichtige rechter

Het grootste probleem met AI in de geneeskunde is dat ze vaak te zelfverzekerd zijn. Ze geven een antwoord alsof het een feit is, zelfs als ze het niet weten.

CLEAR-Mamba heeft een "RaP" (Reliability-aware Prediction) module. Dit is als een voorzichtige rechter die altijd zegt: "Ik denk dat het A is, maar ik ben niet 100% zeker."

• Als het antwoord duidelijk is, zegt hij: "Dit is A, en ik ben er heel zeker van."
• Als de beelden vaag zijn of de ziekte zeldzaam is, zegt hij: "Dit lijkt op A, maar ik ben niet zeker. Laat een menselijke arts dit nog eens bekijken."
• Hij geeft niet alleen een antwoord, maar ook een vertrouwensscore. Dit voorkomt dat de computer gevaarlijke fouten maakt door te zeker te doen.

De Grote Verzameling (De Dataset)

Om dit systeem te trainen, hebben de onderzoekers een enorme verzameling van 15.000 oogfilms gemaakt. Dit is uniek omdat:

• Het 43 verschillende oogziektes dekt (niet alleen één ding).
• Het complete films bevat, niet alleen losse foto's.
• Ze een automatisch team van digitale agents hebben gebruikt om deze films uit oude PDF-rapporten te halen, te ontdoen van namen (privacy) en te sorteren. Het is alsof ze een hele bibliotheek van duizenden boeken hebben ontsloten en samengevat tot één leerboek.

Wat is het resultaat?

In tests heeft CLEAR-Mamba laten zien dat hij:

1. Beter presteert dan alle andere bestaande systemen (of het nu CNN's of andere AI-modellen zijn).
2. Betrouwbaarder is: Hij weet beter wanneer hij het niet weet en geeft dan een waarschuwing.
3. Sneller en slimmer is: Hij kan de tijd in de beelden gebruiken om ziektes te herkennen die met een simpele foto onzichtbaar zouden zijn.

Kortom: CLEAR-Mamba is als een super-ervaren oogarts-assistent die de hele film van het oog kan bekijken, zich aanpast aan elke camera, en eerlijk zegt wanneer hij een menselijke expert nodig heeft. Het is een stap in de richting van een veiligere, slimmere en betrouwbaardere medische diagnose.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "CLEAR-Mamba: Towards Accurate, Adaptive and Trustworthy Multi-Sequence Ophthalmic Angiography Classification", geschreven in het Nederlands.

Probleemstelling

In de oogheelkunde zijn fundusangiografieën (FFA) en indocyaninegroen-angiografieën (ICGA) cruciaal voor het diagnosticeren van ziekten zoals AMD, diabetische retinopathie (DR) en glaucoom. Deze modaliteiten bieden dynamische informatie over hemodynamiek en laesie-structuur die conventionele foto's missen. Echter, bestaande methoden voor het classificeren van deze beelden kampen met drie fundamentele beperkingen:

1. Onderschatting van tijdsafhankelijkheid: FFA/ICGA bestaat uit sequenties van frames die de evolutie van een laesie tonen. Bestaande modellen behandelen deze vaak als statische afbeeldingen, waardoor waardevolle temporale patronen (zoals vroege vulling versus late lekkage) verloren gaan.
2. Beperkte generalisatie en aanpassingsvermogen: Bestaande modellen presteren vaak goed binnen één specifieke ziekte of dataset, maar falen bij multi-ziekte classificatie of bij variaties in opnameapparatuur (domain shift).
3. Gebrek aan betrouwbaarheid (Trustworthiness): Standaard modellen geven vaak oververzekerde voorspellingen (overconfident) op ruis of buiten-de-verdeling data, zonder een maatstaf voor onzekerheid. Dit is riskant in klinische settings waar fouten ernstige gevolgen kunnen hebben.

Methodologie: CLEAR-Mamba

De auteurs stellen CLEAR-Mamba voor, een geavanceerd framework dat is gebouwd op de MedMamba architectuur (een State Space Model voor efficiënte langere-afstandsafhankelijkheden). Het framework integreert drie kerncomponenten om de bovengenoemde problemen aan te pakken:

1. Efficiënte Spatio-temporale Modellering (MedMamba Backbone):
   In plaats van zware CNN's of Vision Transformers (ViT), gebruikt CLEAR-Mamba een Visual State Space Model (VSSM). Dit stelt het model in staat om lange-range temporale afhankelijkheden in angiografische sequenties te modelleren met lineaire complexiteit, wat essentieel is voor het vastleggen van dynamische bloedstroompatronen.

2. Hyper-Adaptive Conditioning (HaC):
   Om de generalisatie en aanpassing aan specifieke gevallen te verbeteren, introduceert de auteurs een HyperNetwork. Deze module genereert dynamisch parameters (zoals schaal- en verschuiffactoren via FiLM of adapter-parameters) op basis van de invoer-kenmerken van elk individueel geval. Dit stelt het model in staat om zich lichtgewicht en adaptief aan te passen aan variaties in ziektepatronen of opnamekwaliteit zonder expliciete fine-tuning per domein.

3. Betrouwbaarheidsbewuste Voorspelling (RaP - Reliability-aware Prediction):
   Om de betrouwbaarheid te garanderen, vervangt CLEAR-Mamba de standaard softmax-uitvoer door Evidential Deep Learning (EDL). In plaats van alleen een klasse te voorspellen, modelleert het hoofd een Dirichlet-verdeling die zowel de kans op een klasse als de bijbehorende onzekerheid (epistemische en aleatorische) levert.

   • Dit stelt het systeem in staat om "onzekerheid" te kwantificeren.
   • Bij lage zekerheid kan het systeem een "deferral" (terugverwijzing) uitvoeren naar een menselijke expert, wat cruciaal is voor veilige klinische implementatie.

Dataset en Data-Verwerking

Een significante bijdrage is de creatie van een groot, uniek dataset:

• Omvang: 15.524 geldige afbeeldingen afkomstig van FFA en ICGA.
• Ziekteclassificatie: Dekking van 43 verschillende oogziektes plus een gezonde controlegroep.
• Data-Engine: De auteurs ontwikkelden een geautomatiseerd multi-agent systeem om ruwe PDF-rapporten te verwerken. Dit systeem pikt beelden uit, anonimiseert ze (verwijdert persoonsgegevens), kiest laterale informatie (links/rechts oog) en filtert labelruis, wat resulteert in een schone, gestructureerde dataset.
• Verdeling: De dataset vertoont een typische "long-tail" verdeling (veel DR-gevallen, weinig zeldzame aandoeningen), wat de realistische uitdagingen van klinische data weerspiegelt.

Resultaten

De prestaties van CLEAR-Mamba zijn geëvalueerd op de interne dataset en drie publieke benchmarks (RetinaMNIST, OCT-C8, Harvard-GDP).

• Prestatie op Interne Dataset: CLEAR-Mamba overtreft consistent bestaande baselines (ResNet, ViT, MedViT, en de originele MedMamba).
  • De CLEAR-B variant bereikte een Overall Accuracy (OA) van 59,06% en een F1-score van 22,71%, een aanzienlijke verbetering ten opzichte van MedMamba-X (OA ~55%, F1 ~15%).
  • Het model behaalde een hoge specificiteit (>98,9%) en een betere AUC, wat aangeeft dat het beter in staat is om zeldzame ziektes te onderscheiden.
• Generalisatie: Op externe datasets (zoals OCT-C8 en RetinaMNIST) behaalde CLEAR-Mamba state-of-the-art resultaten, zelfs zonder aanpassing van de architectuur, wat de robuustheid van het model aantoont.
• Betrouwbaarheid: De ablatiestudies tonen aan dat de combinatie van HaC en RaP leidt tot beter gekalibreerde voorspellingen. Het model is minder "oververzekerd" bij fouten en kan onzekerheid nauwkeurig weergeven, wat essentieel is voor klinische besluitvorming.
• Visualisatie: t-SNE visualisaties tonen duidelijkere scheiding tussen klassen en dichte clustering binnen klassen vergeleken met andere modellen.

Bijdragen en Significantie

De belangrijkste bijdragen van dit werk zijn:

1. Methodologische Innovatie: De eerste toepassing van een geïntegreerd framework dat State Space Models (Mamba), HyperNetworks voor adaptatie en Evidential Learning voor onzekerheid combineert voor ophthalmische angiografie.
2. Data-Resource: De publicatie van een groot, multi-ziekte, multi-modale (FFA/ICGA) dataset met volledige tijdsreeksen, wat een nieuwe standaard zet voor onderzoek in dit domein.
3. Klinische Relevantie: Het benadrukt de noodzaak van "trustworthy AI". Door onzekerheid te kwantificeren, biedt CLEAR-Mamba een oplossing die niet alleen nauwkeurig is, maar ook veilig in te zetten in de praktijk door het identificeren van gevallen die menselijke review vereisen.

Conclusie:
CLEAR-Mamba biedt een robuuste, schaalbare en betrouwbare oplossing voor de classificatie van oogangiografieën. Het overbrugt de kloof tussen theoretische deep learning en klinische toepasbaarheid door rekening te houden met temporale dynamiek, domeinvariatie en de noodzaak van transparante onzekerheidsmeting. De code en dataset zijn openbaar beschikbaar gesteld via GitHub.