异构医学视觉问答中持续学习的实证分析
本文系统评估了持续学习方法在异构医学视觉问答任务中的表现，涵盖分类、多标签分类、检测、细胞计数和报告生成等多样化临床目标。研究发现现有持续学习方法难以在不同目标与监督格式交织的任务中保持稳定性-可塑性平衡。
来源arXiv Computer Vision作者: Mai A. Shaaban, Tausifa Jan Saleem, Alaa Mohamed, Dilnaz Utemissova, Ufaq Khan, Mohammad Yaqub
医学视觉问答（MedVQA）系统在实际临床部署中需要不断适应新任务，同时不遗忘已学知识。持续学习为此提供了实用框架，但现有研究多聚焦于同质任务，对异构MedVQA场景下的行为探索不足。近日，一篇由Mai A. Shaaban等学者提交至arXiv的论文对此进行了系统性的实证分析。
研究团队针对MedVQA中的多样化临床目标进行了评估，包括分类、多标签分类、检测、细胞计数和报告生成。他们从三个维度展开探索：首先，检验现有持续学习方法缓解灾难性遗忘的能力；其次，分析不同任务顺序对性能保留和遗忘的敏感性；最后，揭示低秩适应参数在学习新任务时的演化规律，展示不同方法下的权重漂移模式。
实验结果表明，当任务涉及不同目标和监督格式（如分类与生成任务交织）时，现有持续学习方法难以维持稳定性与可塑性之间的平衡。这一发现揭示了持续学习在医学视觉问答领域面临的固有挑战，并为未来算法设计指明了方向。论文还承诺将公开代码和完整实验设置，以促进该领域的可复现研究。论文于2026年7月13日提交，涵盖了计算机视觉、人工智能和计算语言学等多个学科，并提供了详细的引用信息。该研究通过系统评估，指出了当前持续学习方法的局限性，尤其在任务顺序敏感性和参数漂移方面，为开发更鲁棒的MedVQA系统奠定了重要基础。