室性心动过速（VT）是一种危及生命的心律失常，也是心源性猝死的主要原因之一。导管消融是治疗VT的重要方法，而起搏标测是术中识别消融靶点的关键步骤。临床医生需要在心室内不同位点起搏，并快速解读由此产生的12导联心电图，以决定下一次起搏位置或判断是否已找到目标靶点。这一过程依赖经验，耗时且需要反复尝试。
近年来，主动学习AI模型被用于指导临床医生选择下一个起搏位点，在减少起搏次数和提高标测效率方面显示出潜力。然而，现有方法存在一个关键局限：每个目标都需要重新训练模型，无法在同一患者的不同VT之间或不同患者之间迁移知识。这意味着每次标测都从零开始，浪费了既往积累的数据信息。
为了解决这一问题，Dylan O'Hara等作者提出了cAPM（持续AI辅助起搏标测）框架。cAPM的核心是一个任务无关的替代神经网络，它学习从起搏位点到12导联心电图形态的映射关系。该网络不针对特定目标训练，而是作为通用模型捕捉起搏位置与心电图表现之间的内在联系。在此基础上，主动学习策略通过为每个目标选择信息量最大的起搏位点来逐步优化替代模型，从而用尽可能少的起搏次数定位靶点。同时，持续学习策略使模型能够按顺序处理多个目标，并在学习新目标的同时保留先前目标的知识，避免灾难性遗忘。
研究团队在计算机模拟测试平台上评估了cAPM，该平台包含不同生理条件和心室几何形状下顺序呈现的定位任务。结果显示，无论是否回放过去的数据样本，cAPM均能在平均4.5个起搏位点内达到81%的定位概率（定位误差在临床可接受的5毫米范围内）。作为对比，当前最先进的主动学习方法需要13.7个起搏位点才能达到38%的定位概率。这意味着cAPM将所需起搏位点减少了约三分之二，同时将定位成功率提高了一倍以上。
这一结果凸显了持续学习在医疗AI中的价值：通过积累和迁移既往标测经验，模型能够在新任务上快速适应，显著提升临床流程效率。研究者指出，这些结果为将cAPM推进到体内临床前和临床研究提供了坚实基础，未来有望在真实临床环境中辅助医生进行起搏标测，缩短手术时间并提高消融靶点定位的准确性。