本研究介绍了一种使用动态内存来适应医学影像中不断变化的数据漂移及应对灾难性遗忘效应的机器学习算法，并在两种不同扫描协议的临床CT数据和合成分类任务中进行了实验验证。实验表明，动态内存能有效对抗多个数据漂移设置下的灾难性遗忘，并不需要显式的知识来识别这些漂移发生的时间。
Jul, 2020
通过在固定特征提取器上建立贝叶斯生成模型，该研究提出了一种解决深度学习中灾难性遗忘问题的方法，并在多个医学和自然图像分类任务上表现出优异的表现。
Apr, 2022
本文通过探究机器学习中三种主流学习方法，即领域/任务特殊化学习，联合学习，以及连续学习，并运用VLMs这一良好的跨领域学习模型作为医学基础模型，得到了在不同领域/任务测试集中的十分出色的泛化性能，并提出连续学习可能是构建医学基础模型的一种切实可行和高效的学习范式。
Mar, 2023
本文提出了一种两个主要组成部分的框架来避免类别增量持续学习中的灾难性遗忘，包括动态架构和训练过程，结果表明这种解决方案在医疗数据集上能够实现比现有技术水平更好的类别准确性和遗忘能力。
本文研究了增量类学习的最新方法，并指出很多算法在计算、存储和内存方面效率极低，有些甚至比从头开始训练的方法更费时，作者认为在实际应用中，不能忽视这些算法的资源消耗，持续学习不仅仅只是为了减轻灾难性遗忘。
在医学影像分析中，深度学习算法的快速发展使得医学影像分析取得了显著的进展，但是在推理数据集与模型训练时所见数据略有不同的情况下，模型的性能会受到很大影响。因此，需要采用连续学习技术来处理新类别、新任务和非稳态环境中的数据变化。本系统综述论文对连续学习技术在医学影像分析中的应用进行了全面的概述，包括灾难性遗忘、数据漂移、稳定性和可塑性要求等方面的研究，同时对连续学习方案、技术、评价方案和指标等关键组成部分进行了深入讨论。
Dec, 2023
医学成像的分类问题具有新类别和域偏移的挑战，本文提出了一种名为伪标签重播的新方法，通过结合重播和伪标签方法的优势以解决现有的限制，有效地应对挑战并展现卓越性能和最小的遗忘。
Apr, 2024
通过综述医学领域中的连续学习研究，本文旨在全面审视近期的文献，突出最新趋势，并指出实际问题，包括分类、分割、检测等任务中的连续学习研究。除了识别挑战并提供应对策略，我们还对医学影像中连续学习的现状进行批判性讨论，包括识别开放问题并勾勒有前景的未来方向。希望本文将为研究人员提供领域发展的有用概述，并进一步增加学术界的兴趣。
May, 2024
通过使用领域特定的公平度量，我们评估了反复学习策略在医学图像分类任务中的偏差演化，发现伪标签策略具有更小的偏差，因此在考虑模型公平性的现实场景中应优先选择该策略。
提出了一种新的无数据增量学习框架，通过学习类别的数据综合代替先前类别的数据存储，在引入新类别时更新网络；关键创新包括获取以往无法获取的类别的合成数据（称为Continual Class-Specific Impression - CCSI）并有效利用这些数据来更新网络，同时采用多个损失函数来推广深度网络。
Jun, 2024