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。