无监督持续学习在胸部X光片分类中的应用

临床部署胸部X光片分类器需要能够在新数据集可用时更新模型，而无需在先前观察到的数据上重新训练，也不会降低验证性能。我们首次研究了胸部X光片分类的任务增量持续学习设置，其中异构的胸部X射线数据集依次到达，并且在推理时任务标识不可用。我们提出了一种基于持续适配器的路由学习策略，称为CARL-XRay，该策略保持一个固定的高容量骨干网络，并增量分配轻量级任务特定适配器和分类器头。一个潜在的任务选择器在任务适配特征上操作，并利用通过紧凑原型和特征级经验回放保留的当前和历史上下文。这种设计支持在连续更新过程中稳定地进行任务识别和适应，同时避免了原始图像的存储。在大型公共胸部X光片数据集上的实验表明，在持续数据集摄入的情况下，该设计能够保持稳健的性能保持和可靠的基于任务的推理。CARL-XRay在任务未知部署下优于联合训练，实现了更高的路由准确率（75.0%对62.5%），同时在具有真实任务标识的Oracle设置下保持了具有AUROC 0.74的竞争力诊断性能，在任务未知推理下为0.75，同时使用显著更少的可训练参数。最后，所提出的框架为持续临床部署中的联合训练和重复完全重新训练提供了实用的替代方案。