異種医療視覚質問応答における継続学習の実証分析

医療視覚質問応答（MedVQA）システムを実際の臨床環境に展開するには、新しい臨床タスクに適応しつつ、以前に獲得した知識を忘れないモデルが必要です。継続学習はこの設定に実用的な枠組みを提供しますが、医療視覚言語モデルの急速な進展にもかかわらず、異種MedVQAタスク間でモデルを訓練する際の継続学習手法の振る舞いは未だ十分に探求されていません。この研究は、分類、マルチラベル分類、検出、細胞計数、レポート生成など、多様な臨床目的にわたるMedVQAのための継続学習の体系的な評価を提示します。具体的には、(1)既存の継続学習手法が破滅的忘却を軽減する能力、(2)タスク順序に対する感度（異なるタスク系列が性能保持と忘却に与える影響）、(3)新しいタスク学習時の低ランク適応パラメータの進化（さまざまな継続学習手法下での重みのドリフトパターン）を探ります。結果は、異なる目的と監督形式のタスクが混在する場合、既存の継続学習手法が安定性と可塑性のバランスを維持するのに苦戦することを示唆しています。コードと完全な実験設定は公開される予定です。この論文は2026年7月13日に提出され、コンピュータビジョン、人工知能、計算言語学の分野に関連し、引用情報も提供されています。研究は、タスク順序の感度やパラメータドリフトにおける現在の手法の限界を明らかにし、より堅牢なMedVQAシステムの開発に向けた重要な基盤を築いています。