CARL-CXR：面向任务未知胸腔 X 光片分类的持续适配器基路由框架
计算机视觉与模式识别
2026-05-26 v2 人工智能
摘要
临床部署的胸腔 X 光片分类器需要能够在新数据集可用且无需在先前观察的数据上重新训练或降低已验证性能的条件下进行更新的模型。在任务未知推理下的情况下，我们研究了胸腔 X 光片分类的任务递增持续学习设置，其中异构胸腔 X 光片数据集按顺序到达且在部署时不可获得任务标识。我们提出了 CARL-CXR，一种持续适配器基路由框架，保持固定的高容量主干网络，逐步引入轻量级任务特定适配器和分类器头。一个潜在任务选择器 operates on adapter-conditioned features 以动态路由每个输入到最相关的任务路径，利用紧凑的任务原型和特征级经验回放来在不存储原始图像的条件下跨顺序更新保持任务身份。在 MIMIC-CXR 和 CheXpert 两个大型数据集上进行的实验显示，CARL-CXR 实现了最小的灾难性遗忘(0.012 AUROC 下降)，相较于 established continual learning baseline LwF 和 EWC 分别降低了 6 倍和 11 倍，同时保持竞争的诊断性能(AUROC 0.74)。在任务未知部署下，CARL-CXR 在路由准确率上超过联合训练 12.5 分(75.0% vs. 62.5%)：不同于 LwF 和 EWC，需要在推理时显式获取任务标识且提供无路由机制。
引用
@article{arxiv.2602.15811,
title = {CARL-CXR: Continual Adapter-Based Routing for Task-Unknown Chest Radiograph Classification},
author = {Muthu Subash Kavitha and Anas Zafar and Amgad Muneer and Jia Wu},
journal= {arXiv preprint arXiv:2602.15811},
year = {2026}
}
备注
9 pages, 4 figures