PneumoX-CL：利用基于相似性的分层回放技术实现领域迁移后的胸部X光图像的持续学习

《IEEE Access》：PneumoX-CL: Continual Learning with Similarity-Aware Stratified Replay for Domain-Shifted Chest Radiographs

　　

摘要：

深度学习模型能够准确检测胸部X光片中的肺炎；然而，大多数模型是在静态假设下训练的，这些假设并不能反映真实的临床环境。实际上，由于设备变化、患者人口统计特征或医院间差异，成像领域会发生变化，这通常会导致模型性能显著下降。持续学习可以解决这一挑战；然而，许多方法会遇到类别不平衡和冗余内存存储的问题。我们提出了PneumoX-CL，这是一个基于回放的持续学习框架，它整合了一个分层类别平衡缓冲区来保持内存平衡，一个利用余弦相似度选择来维护样本多样性的相似性感知缓冲区更新机制，以及一个动态类别加权损失函数来减轻批量级别的不平衡。在合成的五域PneumoniaMNIST基准测试中，PneumoX-CL的准确率为87.69%，遗忘率为2.23%，在平均准确率上超过了基线模型（经验回放和类别平衡储备采样），同时保持了运行的低方差。这些结果表明，具有多样性感知和类别平衡的回放机制可以提高诊断AI系统在连续成像领域变化下的鲁棒性。