面向通用医疗模型的类增量持续学习

医疗诊所经常遇到因患者人群、治疗政策、医疗设备与新兴疾病模式变化而动态变化的数据。深度学习模型在此类场景中微调时会遭受灾难性遗忘，导致在先前学习任务上性能下降。持续学习允许在新任务上学习而不使先前任务性能跌落。在本工作中，我们考察了持续学习模型在四种不同医学影像场景下的性能，这些场景涉及来自不同模态、临床专科与医院的十个分类数据集。我们实现了多种持续学习方法并评估了它们在这些场景中的表现。我们的结果表明，单一模型可顺序学习来自不同专科的新任务，并达到与朴素方法相当的性能。这些发现表明跨相同或不同医疗专科回收或共享模型的可行性，为开发可跨机构共享的通用医学影像 AI 提供了进一步进展。