흉부 엑스레이 분류를 위한 작업 독립적인 지속적 학습

Task-Agnostic Continual Learning for Chest Radiograph Classification

흉부 엑스레이 분류 모델의 임상 적용은 새로운 데이터셋이 사용 가능하게 될 때마다 이전에 관찰된 데이터에 대한 재학습 없이 또는 검증된 성능 저하 없이 모델을 업데이트할 수 있도록 하는 것을 요구합니다. 본 연구에서는 흉부 엑스레이 분류에 대한 작업 증분 지속적 학습 환경을 처음으로 연구합니다. 이 환경에서 다양한 흉부 X-ray 데이터셋이 순차적으로 제공되며, 추론 시 작업 식별 정보가 제공되지 않습니다. 흉부 X-ray에 대한 지속적인 어댑터 기반 라우팅 학습 전략(CARL-XRay)을 제안합니다. 이 전략은 고용량의 기본 모델을 유지하고, 경량의 작업별 어댑터와 분류기 헤드를 점진적으로 할당합니다. 잠재적인 작업 선택기가 작업별 특성에서 작동하며, 압축된 프로토타입과 특징 수준의 경험 재생을 통해 유지되는 현재 및 과거 컨텍스트를 활용합니다. 이러한 설계는 순차적인 업데이트를 통해 안정적인 작업 식별 및 적응을 지원하며, 원본 이미지 저장을 피합니다. 대규모 공개 흉부 엑스레이 데이터셋에 대한 실험 결과, 지속적인 데이터셋 추가 시에도 강력한 성능 유지 및 신뢰할 수 있는 작업 인식 추론이 가능함을 보여줍니다. CARL-XRay는 작업 정보가 없는 환경에서 기존의 공동 학습 방식보다 더 높은 라우팅 정확도(75.0% vs. 62.5%)를 달성하며, 진단 성능 또한 오라클 설정(정확한 작업 정보 제공)에서 AUROC 0.74, 작업 정보가 없는 추론에서 0.75를 기록하여 경쟁력 있는 성능을 유지합니다. 또한, 제안된 프레임워크는 지속적인 임상 적용에서 공동 학습 및 반복적인 전체 재학습에 대한 실용적인 대안을 제공합니다.

Clinical deployment of chest radiograph classifiers requires models that can be updated as new datasets become available without retraining on previously ob- served data or degrading validated performance. We study, for the first time, a task-incremental continual learning setting for chest radiograph classification, in which heterogeneous chest X-ray datasets arrive sequentially and task identifiers are unavailable at inference. We propose a continual adapter-based routing learning strategy for Chest X-rays (CARL-XRay) that maintains a fixed high-capacity backbone and incrementally allocates lightweight task-specific adapters and classifier heads. A latent task selector operates on task-adapted features and leverages both current and historical context preserved through compact prototypes and feature-level experience replay. This design supports stable task identification and adaptation across sequential updates while avoiding raw-image storage. Experiments on large-scale public chest radiograph datasets demonstrate robust performance retention and reliable task-aware inference under continual dataset ingestion. CARL-XRay outperforms joint training under task-unknown deployment, achieving higher routing accuracy (75.0\% vs.\ 62.5\%), while maintaining competitive diagnostic performance with AUROC of 0.74 in the oracle setting with ground-truth task identity and 0.75 under task-unknown inference, using significantly fewer trainable parameters. Finally, the proposed framework provides a practical alternative to joint training and repeated full retraining in continual clinical deployment.