[Paper] 任务无关的持续学习用于胸部X光片分类

Source: arXiv - 2602.15811v1

概述

本文介绍了 CARL‑XRay，一种持续学习框架，使胸部 X 光分类器能够在新数据集到来时进行演进——无需在所有先前图像上重新训练或保留原始扫描文件。通过将每个新到达的数据集视为单独的“任务”，并自动将输入路由到相应的任务特定适配器，该方法承诺在显著降低训练开销的同时，保持诊断性能的稳定。

关键贡献

• 任务无关的持续学习用于医学影像：首次处理顺序的、异构的胸部X光数据集，且在推理时任务标签未知。
• 基于适配器的路由架构（CARL‑XRay）：冻结的高容量主干加上轻量级、按任务的适配器和分类头，能够在运行时动态添加。
• 潜在任务选择器，使用紧凑的原型和特征层经验回放，在不存储原始图像的情况下识别正确任务。
• 参数高效更新：每个数据集仅学习几百千字节的新参数，而完整模型重新训练需要数百万参数。
• 实证验证在多个大型公开胸部X光数据集上，展示了更高的路由准确率（75 % 对比 62.5 %）以及与联合训练相当的AUROC（≈0.75）。

方法论

1. 固定骨干网络 – 一个大型卷积（或基于 transformer 的）编码器在通用胸片语料库上预训练一次，然后冻结。
2. 任务特定适配器 – 对于每个新数据集，在骨干网络后附加一个小的瓶颈模块（适配器）和一个轻量分类头。这些适配器学习领域特定的细微差别（例如，不同医院的协议、标签集）。
3. 基于原型的任务选择器 – 系统保留一组紧凑的按类别划分的特征原型，来源于过去的任务。当新图像到来时，其骨干特征会通过每个适配器，选择器挑选出原型与得到的表示最匹配的任务。
4. 特征层经验回放 – 方法不存储原始图像，而是在适配器训练期间回放已存储的特征向量（及其原型），在保持隐私和低存储成本的同时保留先前任务的知识。
5. 训练循环 – 当出现新数据集时，仅更新新的适配器、分类头和选择器；骨干网络保持不变。这种“即插即用”方式实现了快速增量更新。

结果与发现

• 性能保持: 在最多 5 个连续数据集添加后，AUROC 下降不到 2 %，相较于在所有数据上联合训练的模型。
• 任务识别: 即使相同的疾病标签在不同视觉分布的数据集中出现，选择器也能可靠地区分任务。
• 内存占用: 仅存储适配器、头部和原型缓冲区，省去原始图像存档的需求。

实际影响

• 医院中的持续部署: 放射学 AI 系统可以使用新的本地数据（例如新的扫描仪供应商或地区性疾病爆发）进行更新，而无需昂贵的全量再训练流程。
• 合规友好性: 由于 backbone 保持不变，核心“已验证”模型保持一致，从而简化合规审计；仅需对小型、可审计的 adapters 进行版本控制。
• 边缘友好更新: 微小的 adapter 模块可以通过空中下载方式发送到本地服务器甚至边缘设备，实现快速的模型刷新。
• 数据隐私: 通过不持久化原始图像，仅使用匿名化的特征原型，组织能够在遵守 HIPAA/GDPR 约束的同时受益于持续学习。
• 开发者工作流: 集成只需加载冻结的 backbone，附加新的 adapter，并调用 selector；无需自定义数据管道或大型 GPU 集群。

限制与未来工作

• 任务相似性假设： 选择器依赖于可区分的特征原型；高度重叠的数据集可能导致路由混淆。
• 原型存储增长： 虽然远小于原始图像，但原型缓冲区仍随任务数量线性增长；需要更智能的摘要或剪枝策略。
• 评估范围： 实验聚焦于公开的胸部 X‑ray 数据集；真实临床环境中的标签漂移、多模态输入或极端类别不平衡仍需测试。
• 向其他模态的扩展： 未来工作可以探索 adapter‑routing 范式是否能够迁移到 CT、MRI 或非影像时间序列数据。

作者

• Muthu Subash Kavitha
• Anas Zafar
• Amgad Muneer
• Jia Wu

论文信息

• arXiv ID: 2602.15811v1
• 分类: cs.CV, cs.AI
• 出版日期: 2026年2月17日
• PDF: 下载 PDF