異構醫學視覺問答中持續學習的實證分析
本文系統評估了持續學習方法在異構醫學視覺問答任務中的表現，涵蓋分類、多標籤分類、檢測、細胞計數和報告生成等多樣化臨床目標。研究發現現有持續學習方法難以在不同目標與監督格式交織的任務中保持穩定性-可塑性平衡。
來源arXiv Computer Vision作者: Mai A. Shaaban, Tausifa Jan Saleem, Alaa Mohamed, Dilnaz Utemissova, Ufaq Khan, Mohammad Yaqub
醫學視覺問答（MedVQA）系統在實際臨床部署中需要不斷適應新任務，同時不遺忘已學知識。持續學習為此提供了實用框架，但現有研究多聚焦於同質任務，對異構MedVQA場景下的行為探索不足。近日，一篇由Mai A. Shaaban等學者提交至arXiv的論文對此進行了系統性的實證分析。
研究團隊針對MedVQA中的多樣化臨床目標進行了評估，包括分類、多標籤分類、檢測、細胞計數和報告生成。他們從三個維度展開探索：首先，檢驗現有持續學習方法緩解災難性遺忘的能力；其次，分析不同任務順序對效能保留和遺忘的敏感性；最後，揭示低秩適應引數在學習新任務時的演化規律，展示不同方法下的權重漂移模式。
實驗結果表明，當任務涉及不同目標和監督格式（如分類與生成任務交織）時，現有持續學習方法難以維持穩定性與可塑性之間的平衡。這一發現揭示了持續學習在醫學視覺問答領域面臨的固有挑戰，併為未來演算法設計指明瞭方向。論文還承諾將公開程式碼和完整實驗設定，以促進該領域的可復現研究。論文於2026年7月13日提交，涵蓋了計算機視覺、人工智慧和計算語言學等多個學科，並提供了詳細的引用資訊。該研究透過系統評估，指出了當前持續學習方法的侷限性，尤其在任務順序敏感性和引數漂移方面，為開發更魯棒的MedVQA系統奠定了重要基礎。