为什么在线手术阶段识别是一项难题
在线系统需要跟踪手术进程，并在每一帧新图像上输出当前阶段的标签。系统无法获取未来帧：只能依赖已经看到的内容。同时，手术可能持续数小时，而单帧的处理成本不能随着录像时间的增加而增长。否则，模型将无法满足实时处理的要求。
从形式上看，基于SSD（结构化状态空间对偶）的递归架构符合这一约束。它们将全部历史信息压缩到隐藏状态中，而每帧的计算量保持固定。但SSD层有一个特点：每个注意力头内部的转移由一个标量决定。这个标量同时决定了当前帧“写入”状态的强度，以及状态中信息被遗忘的速度。
对于手术视频而言，这种强耦合会带来问题。视觉模式——器械外观、组织、感兴趣区域——在不同阶段会重复出现。新的图像内容会覆盖旧内容，最终两个相似片段之间的差异仅仅取决于它们发生的时间先后。损失函数并没有给模型提供明确的信号，告诉它状态中的旧内容何时不再有用。此外，各阶段本身的时长差异很大：有的只持续几秒，有的则占据整个手术过程的相当一部分时间，而视觉上手术过程可能看起来几乎没有任何变化。
状态重编程与遗忘控制
论文作者——Sukju Oh和Sukkyu Sun——为此提出了SurgicalMamba模型。他们的思路不是完全替换递归层，而是修正传递状态的行为。
第一个机制称为state regramming（状态重编程）。在每个处理块（chunk）的边界处，隐藏向量不只是简单传递，而是根据当前块的内容旋转一个角度。这样一来，两个相似但中间隔着另一个阶段的片段，会落入状态空间中不同的区域，不再互相覆盖。模型可以根据上下文区分它们，而不仅仅依赖时间远近。
第二个机制是在阶段转换时调制衰减。当模型检测到阶段之间的边界时，它会暂时增强遗忘：状态会迅速清除已结束阶段的信息。而在阶段内部，衰减保持缓慢，以便保留上下文。清除强度经过调整，使模型能够“存活”到最长阶段结束，而不会过早丢失所需的上下文。
重要的是，这两项修改都不会破坏SSD的N-半可分结构，因此原有的复杂度保证依然成立：每帧O(d)。模型仍然足够轻量，适合流式处理。
测试结果
在七个公开基准测试上，SurgicalMamba达到了当前最先进的精度水平。在Cholec80数据集上，在线准确率达到94.6%，阶段Jaccard指数为82.7%。在AutoLaparo上结果略低，但也相当可观：分别为89.5%和68.9%。同时，在单块GPU上，模型每秒可处理312.88帧——远超实时处理的需求。
这里的阶段Jaccard指数比普通准确率更重要：它检验的是预测的阶段区间与真实区间的重叠程度。它对边界处的错误更为严格，而边界恰恰是系统最容易出错的地方。
有趣的是，这一机制不仅在手术领域有效。如果仅将状态旋转操作添加到标准Mamba2中，就能提升MQAR指标——即从长上下文中提取多个先前出现元素的能力。这种提升恰好出现在递归状态成为瓶颈的场景中。这表明，状态重编程解决的可能是递归模型更普遍的问题，而不仅仅是手术阶段识别这一特定任务。
