多站点类别增量学习与超声心动图中的加权专家

构建一个在真实案例中保持性能的超声心动图视图分类器，需要多样化的多站点数据，并通过频繁更新新可用数据来缓解模型漂移。仅仅在新数据集上进行微调会导致"灾难性遗忘"，并且无法适应不同站点之间视图标签的差异。相反，在单个服务器上收集所有数据并重新训练可能不可行，因为数据共享协议可能限制图像传输，或者数据集可能仅在不同时间可用。此外，随着每个新数据集的增加，重新训练的时间和成本也会增长。我们提出了一种类别增量学习方法，为每个数据集学习一个专家网络，并通过评分融合模型组合所有专家网络。通过使用学习到的分布内评分对每个贡献进行加权，"不合格专家"的影响被最小化。这些权重在推理时揭示每个专家的贡献，从而促进透明度。我们不使用原始图像，而是使用每个数据集学习到的特征，这些特征更易于共享，并且引发更少的许可和隐私问题。我们在来自多个站点的六个数据集上验证了我们的工作，证明了在减少训练时间的同时显著提高了视图分类性能。