MedMamba-ESS：性能向上と計算効率を兼ね備えた臨床画像分類のための汎用状態空間フレームワーク

深層学習が医療画像解析に応用されて以来、畳み込みニューラルネットワーク（CNN）とVision Transformers（ViTs）は医療画像分類タスクの主要なアーキテクチャとなっている。しかし、CNNは局所受容野による制約を受け、医療画像における長距離の文脈依存相関を効果的にモデル化できない。一方、ViTsは自己注意の二次計算複雑度のために高解像度医療画像タスクでの展開に課題がある。Mambaに代表される状態空間モデル（SSMs）は線形計算複雑度という新たな解決策を提供するが、直接的な医療画像応用では冗長な方向性モデリングやパラメータ効率の低さに悩まされる。本研究は効率的状態空間強化フレームワーク（MedMamba-ESS）を提案し、SS2D-Top2適応方向走査機構（SSMサブモジュールのFLOPsを約37%削減）とG-SSMグループ化パラメータ共有モジュール（正則化による3～4%のパラメータ圧縮と4.4%の精度向上）を統合した。14の公的データセット（9つの画像モダリティ，9つの解剖部位，24万枚超）で検証した結果，MedMamba-ESSは2.0G FLOPsで優れた性能を示し，非MedMNISTデータセットでベースラインのMedMamba-Tinyより全体精度（OA）が3%高く（他の主流モデルより3.13%高い）、MedMNISTデータセットでも3%高い（他より1%高い）ことが確認された。アブレーション実験により両モジュールが協調してパラメータを1.05%削減し、精度を4.6%向上させることが示された。本研究は医療画像応用における従来のSSMの技術的制約を克服し、モデル性能と計算効率の両面で相乗的改善を達成した。医療画像解析へのSSM実装に実用性と汎用性を兼ね備えたアーキテクチャ最適化ソリューションを提供する。