Bi-CRCL：事前学習済み基盤モデルによるクラス・インクリメンタル医用画像解析のための双方向保守的—急進的補完学習

Abstract

医用画像による診断におけるクラス増分学習（CIL）では、新たに出現する疾患カテゴリに適応しながら、過去の診断知識を保持する必要があり、スケーラブルな臨床導入にとって極めて重要です。この問題は、データが多様であることや、メモリリプレイを妨げるプライバシー制約があることにより、特に困難です。事前学習済み基盤モデル（PFM）は一般領域におけるCILを大きく前進させてきましたが、医用画像分野での可能性は十分に調査されていません。そこでは、ドメイン特化の適応が不可欠である一方、解剖学的な複雑さと施設間の多様性によって難しくなっています。このギャップを埋めるために、我々は近年のPFMベースCIL手法に関する体系的ベンチマークを実施し、補完的学習システムに着想を得た双方向保守的・急進的補完学習（Bi-CRCL）を提案します。Bi-CRCLは、安定性志向の更新によって過去の知識を保持する保守的学習者と、可塑性志向の学習によって新しいカテゴリに迅速に適応する急進的学習者という、二重学習者の枠組みを統合します。双方向の相互作用メカニズムにより、順方向の転移と逆方向の統合が可能となり、破滅的忘却を抑えつつ、新しい知識を継続的に統合できます。推論時には、両方の学習者の出力を適応的に融合して、頑健な予測を実現します。5つの医用画像データセットでの実験により、データセット間のシフトやタスク構成の違いを含む多様な設定において、最先端手法に対する一貫した改善が示されました。