Nat.Commun.｜用于持续学习心脏信号的临床深度学习框架(3)

图3 存储和获取机制对持续深度学习系统性能的边际效益
存储参数解释的验证
图4说明了深度学习系统在Class-IL场景中学习的存储参数值s的分布。存储和获取的比例分别为b=0.25和a=0.50，每种颜色对应一个不同的任务。为了验证这些分布确实表示了心电图信号诊断的难度，作者确定了与最低和最高重要性参数值相关的两个心电图信号，并将其与分布一起呈现。根据设置，这两个心电图信号应该分别对应于最难诊断的信号和最不难诊断的信号，基本心电图领域专业知识证实了这一预想。

图4 深度学习系统在Class-IL场景中学习的存储参数值s的分布
3
总结与讨论
在本文中，作者为了减轻破坏性干扰提出了一种基于回放的CL策略CLOPS，适用于心脏信号。CLOPS包括缓冲区存储和获取机制，在四个CL场景的三个场景中，CLOPS在泛化性能和后向转移两个方面都优于最先进的方法GEM和MIR。
本文的系统也存在一些局限性：
（1）本文方法假设用于训练的部分数据可以暂时存储在缓冲区中以备将来使用，然而由于患者隐私限制和数据存储限制，这种方法可能是不可行的。
（2）本文研究主要集中在单一的数据模式上，即心电图。
（3）本文的深度学习系统接收单导联心电图数据，并为这种心电图返回单一的心律失常标签，但是医院内通常使用12导联设备，且同一心电图记录中可能存在多种心律失常。