医学基础模型的统一持续学习框架UNICON

基础模型是在大规模数据集上训练以捕获领域总体趋势的模型。然而，在医学影像领域，数据稀缺使得为每个领域、模态或任务进行预训练都具有挑战性。持续学习通过在不同领域或任务上顺序微调模型，使其能够在无需为每个训练阶段大规模数据的情况下整合新知识。为此，本文提出了医学基础模型的统一持续学习框架UNICON（UNIfied CONtinual Learning for Medical Foundational Models），该框架支持基础模型对不同领域、任务和模态的无缝适应。不同于传统方法将这些变化孤立处理的方式，UNICON提供了一个统一且可持续扩展的框架。通过严谨的集成设计，展示了基础模型能够在不发生灾难性遗忘或任务干扰的情况下，跨模态、解剖区域和临床目标动态扩展。在实验方面，我们通过将胸部CT基础模型从分类任务适配至预后预测和分割任务来验证了我们的方案。结果在两种新增任务上均实现了性能提升。进一步地，我们持续集成PET扫描数据，Dice评分相较于相应基线提升了5%。这些发现表明，基础模型不必受限于最初的训练范围，而是可以发展演进，为医学影像通用AI模型铺平了道路。