面向胸部X光分类的无任务感知持续学习

在临床部署胸部X光分类器时，需要能够在新数据集出现时进行更新，而无需重新训练已有数据或降低验证性能。本文首次研究了胸部X光分类的逐任务增量持续学习场景，其中异构的胸部X光数据集按顺序到达，且推理时无法获取任务标识符。我们提出了一种基于持续适配器路由学习策略（CARL-XRay），该方法固定高容量主干网络，并逐步分配轻量级任务特定适配器和分类头。通过潜在任务选择器对任务适配特征进行操作，利用紧凑原型和特征级经验回放保留当前和历史上下文。该设计支持在连续更新中稳定识别和适应任务，同时避免存储原始图像。实验表明，在大规模公共胸部X光数据集上，CARL-XRay在持续数据摄入下表现出稳健的性能保持和可靠的任务感知推理。CARL-XRay在任务未知部署下优于联合训练，达到更高的路由准确率（75.0% vs. 62.5%），同时在使用更少可训练参数的情况下保持竞争力的诊断性能。