M3FNet：基于Mamba与多头注意力的多序列融合网络在尿动力学相关泌尿疾病分类中的创新应用

《Biomedical Signal Processing and Control》：M3FNet: mamba and multi-head-attention based multi-sequence fusion network for classifying urodynamic-related urinary disorders

本文提出M3FNet模型，通过卷积-状态空间方程（Mamba）模块提取尿动力学研究（UDS）单序列全局特征，结合多头注意力机制实现多序列信息融合，有效提升低顺应性膀胱（LCB）与逼尿肌过度活动（DO）的分类准确率（AUC达0.927/0.952），为泌尿功能障碍的智能诊断提供新范式。

　　

Highlight

本研究通过创新性融合Mamba状态空间模型与多头注意力机制，构建了针对多序列尿动力学信号（UDS）的M³FNet融合网络，在低顺应性膀胱（LCB）和逼尿肌过度活动（DO）分类任务中实现了突破性性能提升。

方法亮点

1. 1.
   双阶段特征学习：利用卷积模块捕捉UDS信号局部特征，结合Mamba模型实现长序列全局依赖建模；
2. 2.
   跨序列交互：通过多头注意力机制动态加权融合膀胱压（Pves）、腹压（Pabd）与逼尿肌压（Pdet）三通道信息；
3. 3.
   多任务优化：采用动态权重联合损失函数平衡LCB与DO分类任务的优化目标。

实验结果

在3170例多中心数据验证中，M³FNet的LCB分类AUC达0.927（准确率0.905），DO分类AUC达0.952（准确率0.911），显著优于对比模型。消融实验证实各模块对性能提升均有贡献。

讨论

M³FNet首次解决了UDS多序列信号的长程依赖建模与跨模态融合难题，其动态特征选择机制可精准捕捉LCB的单调压力上升趋势与DO的逼尿肌振荡特征，为临床提供可解释的AI辅助诊断工具。

结论

该模型为LUTD亚型精准诊断建立了自动化、高鲁棒性的新标准，未来可扩展至其他多序列生理信号分析场景。