从实验室到口袋：基于持续学习的新冠肺炎筛查移动应用创新研究

《Engineering Applications of Artificial Intelligence》：From lab to pocket: A novel continual learning-based mobile application for screening COVID-19

本刊推荐：针对COVID-19筛查模型难以适应病毒变异和数据集动态变化的问题，研究人员开展了基于持续学习（Continual Learning, CL）的移动应用研究。通过评估DenseNet161等深度学习架构及LwF（Learning without Forgetting）等CL方法，开发出可增量学习的肺炎筛查系统，准确率达96.87%。该研究为动态医疗环境提供了自适应AI解决方案，发表于Engineering Applications of Artificial Intelligence。

　　

在新冠肺炎全球大流行的背景下，人工智能技术在医学影像诊断领域展现出巨大潜力。传统深度学习模型虽然能够通过胸部X射线（Chest X-ray, CXR）实现新冠肺炎的自动筛查，但这些模型面临着一个关键挑战：当出现新的病毒变异株、不同来源的医疗数据或变化的临床表现时，模型需要重新训练才能适应这些变化。这种重新训练过程不仅计算资源消耗大，而且需要访问所有历史数据，在快速演变的临床环境中显得不够灵活。

更具体地说，现有COVID-19筛查系统存在三个主要问题：一是模型泛化能力有限，难以适应不同病毒株和患者群体；二是传统机器学习需要完整重训练，资源效率低下；三是缺乏能够持续学习新知识的自适应系统。这些问题在偏远地区或资源有限环境下尤为突出，限制了AI辅助诊断的实际应用价值。

为了解决这些问题，研究人员开展了一项创新性研究，开发了一种基于持续学习（Continual Learning，也称为增量学习）的移动应用程序，用于新冠肺炎的筛查诊断。这项研究发表在《Engineering Applications of Artificial Intelligence》期刊上，由Charles Sturt大学的Danny Falero、Muhammad Ashad Kabir和Nusrat Homaira共同完成。

研究人员采用了几个关键技术方法：首先，他们系统评估了多种深度学习架构（包括MobileNetV3、ResNet50、VGG16、DenseNet161、EfficientNetB7和GoogleNet）作为基础模型的表现；其次，比较了不同的图像预处理策略（裁剪、分割和直方图均衡化）对模型性能的影响；第三，测试了两种持续学习策略（基于正则化的LwF和EWC，以及基于记忆的GDUMB和GEM方法）；最后，设计并实现了一个集成了持续学习能力的移动应用系统，该系统包含本地推理和云端学习两个模块。

研究结果显示，在基础模型评估中，DenseNet161架构表现最优，在原始数据集上达到了96.87%的准确率，明显优于其他测试架构。有趣的是，各种图像预处理策略（包括裁剪、分割和直方图均衡化）并没有显著提升模型性能，反而原始未修改的数据集取得了最佳结果。

在持续学习方法比较中，Learning without Forgetting（LwF）方法表现最为出色，平均准确率达到94.44%，遗忘率仅为0.91%，整体性能评分为71.99。这一结果表明，基于正则化的持续学习方法在新冠肺炎胸部X射线分类任务中具有明显优势。

移动应用评估显示，该系统在不同Android设备上均表现出良好的性能，模型加载时间在382.1毫秒到759.9毫秒之间，推理时间在212.4毫秒到665.7毫秒之间，满足实时应用需求。云端持续学习模型的平均推理时间为16.03毫秒，训练时间为980.46毫秒每图像。

该研究的创新之处在于首次将持续学习范式应用于COVID-19胸部X射线分类，并成功集成了移动应用平台。系统设计的独特之处在于能够同时服务患者、医生和研究人员三类用户群体，支持离线推理和在线学习两种模式，实现了真正的自适应学习能力。

研究结论表明，基于DenseNet161架构和LwF持续学习方法的组合为新冠肺炎筛查提供了一个高效、自适应的解决方案。这种方法不仅能够保持对已有知识的记忆，还能持续学习新的病例特征，适应病毒变异和临床实践的变化。

这项研究的重要意义在于：首先，它提出了一种资源高效的医疗AI解决方案，避免了传统方法需要重复训练的问题；其次，通过减少数据存储需求，更好地保护了患者隐私；第三，系统设计模仿了人类学习过程，使AI系统能够像医疗专家一样持续积累经验；最后，移动应用的实现使得这一技术能够广泛应用于各种医疗场景，特别是在资源有限的地区。

研究人员也指出了研究的局限性，包括未测试所有可能的深度学习架构，以及未使用最大的可用数据集。未来的研究方向包括将框架扩展到类增量学习设置，应用于CT扫描等其他影像模态，以及与临床医生合作进行实际临床试验验证。

总体而言，这项研究为自适应医疗AI系统的发展提供了重要参考，不仅对当前新冠肺炎疫情防控有实际价值，也为未来应对新发传染病提供了技术框架。随着病毒持续变异和医疗实践不断发展，这种能够持续学习的智能诊断系统将发挥越来越重要的作用。