在真实临床环境中部署医学视觉问答（MedVQA）系统需要能够适应新临床任务而不忘记先前获得知识的模型。持续学习（CL）为此提供了一个实用框架。尽管医学视觉语言模型迅速发展，但在异构MedVQA任务上训练这些模型时，CL方法的表现仍未得到充分探索。本文对MedVQA在多样化临床目标下的CL进行了系统评估，包括分类、多标签分类、检测、细胞计数和报告生成。
具体来说，我们探讨了以下几个方面：(1) 现有CL方法在减轻灾难性遗忘方面的能力；(2) 任务顺序对性能保留和遗忘的影响，分析不同任务序列的敏感性；(3) 随着新任务的学习，低秩适应参数的演变，揭示在不同CL方法下的权重漂移模式。
我们的研究发现，现有的CL方法在不同目标和监督格式的任务交织时，难以维持稳定性与可塑性之间的平衡。代码和完整实验设置将公开发布。
博主点评： 本文深入探讨了持续学习在医学视觉问答任务中的应用，揭示了当前方法面临的挑战。尤其是任务顺序对模型性能的影响，提示我们在设计CL系统时需要更为细致的策略，以应对实际应用中的复杂性。该研究的结果为未来的医学智能系统提供了重要的参考依据。