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。