Nat.Commun.｜用于持续学习心脏信号的临床深度学习框架(2)

图1 四种持续学习场景
微调策略和CLOPS策略的性能评估
图2a中说明了在Class-IL场景中部署的一个简单的、微调的深度学习系统所取得的AUC，在没有明确的CL策略的情况下，破坏性干扰非常普遍。图2b中说明了深度学习系统CLOPS的AUC，表明CLOPS减轻了破坏性干扰。图2c中说明了在Time-IL场景中部署的深度学习系统所取得的AUC，当部署在Time-IL场景中时，深度学习系统CLOPS的性能比MIR稍差。在图2d中，CLOPS在对任务Term 3进行单个时期的训练后取得了AUC≈0.62，而微调深度学习系统（其结果显示在图2c中）在经过20个完整的时期后才取得这一数值，这表明CLOPS有望减少训练深度学习系统所花的开销。

图2 微调和持续深度学习系统在各种持续学习场景下的性能
存储和获取机制对性能的影响
作者研究了存储和获取机制对性能的边际影响。存储和获取机制取决于存储和获取的数据量，因此，作者在进行研究的同时改变了存储到缓冲区和从缓冲区取回的数据比例，数据比例分别用b(存储)和a(获取)表示。在随机存储研究中，作者取消了存储机制，将心电图信号随机存储到缓冲区。在随机获取研究中，作者取消了获取机制，从缓冲区中随机获取心电图信号。最后，在随机存储和获取研究中，作者将心电图信号随机存储到缓冲区，并从缓冲区中随机获取心电图信号。图3中给出了这些实验的结果AUC。结果表明，存储机制和获取机制都极大地提高了深度学习系统的泛化性能。