面向点 care肺炎诊断的设备端持续学习：双阶段缓冲区与动态损失
机器学习
2026-05-20 v1 人工智能
摘要
深度学习模型在高分辨率胸片上检测肺炎表现出高准确率，但在由设备、患者或机构差异导致的域迁移下性能会下降。我们提出PneumoNet，一种用于资源受限环境下点 care肺炎诊断的域递增学习方法。PneumoNet结合轻量级CNN用于设备端预测、双阶段平衡缓冲区用于类别平衡回放，以及动态类别加权损失以纠正训练批次中的不平衡。我们在模拟五种真实场景域变迁的domain-shifted PneumoniaMNIST数据集上评估了PneumoNet，实现86.6%的准确率，仅有1.4%的遗忘，同时比现有基线更小更快。这些结果凸显了PneumoNet在真实世界和疫情准备 healthcare 中的自适应、隐私保护诊断AI，直接在点 care医疗设备上实现的潜力。
引用
@article{arxiv.2605.19201,
title = {On-Device Continual Learning with Dual-Stage Buffer and Dynamic Loss for Point-of-Care Pneumonia Diagnosis},
author = {Danu Kim},
journal= {arXiv preprint arXiv:2605.19201},
year = {2026}
}
备注
Presented at 32nd Samsung Humantech Paper Awards