论文
Bi-CRCL：使用预训练基础模型进行双向保守-激进互补学习，用于类增量医学图像分析
Bi-CRCL: Bidirectional Conservative-Radical Complementary Learning with Pre-trained Foundation Models for Class-incremental Medical Image Analysis
摘要
医学图像引导诊断中的类增量学习（CIL）需要保留先前的诊断知识，同时适应新出现的疾病类别，这对于可扩展的临床部署至关重要。由于异构数据和隐私限制阻碍了内存重放，这个问题尤其具有挑战性。尽管预训练基础模型 (PFM) 具有先进的通用领域 CIL，但其在医学成像中的潜力仍未得到充分开发，其中，由于解剖复杂性和机构间异质性，特定领域的适应至关重要但又很困难。为了解决这一差距，我们对最近基于 PFM 的 CIL 方法进行了系统基准测试，并提出了双向保守-激进互补学习（Bi-CRCL），这是一种受互补学习系统启发的双学习器框架。 Bi-CRCL 集成了保守学习器和激进学习器，保守学习器通过面向稳定性的更新保留先验知识，激进学习器通过可塑性学习快速适应新类别。双向交互机制可以实现前向迁移和后向巩固，允许不断整合新知识，同时减少灾难性遗忘。在推理过程中，两个学习器的输出会自适应地融合，以实现稳健的预测。对五个医学成像数据集的实验表明，在不同的设置（包括跨数据集转换和不同的任务配置）下，与最先进的方法相比，有一致的改进。