利用伪域应对有限标注资源与采集特性变化的持续主动学习

基于摘要分析。该研究面向临床医学影像中扫描协议、硬件或政策变化导致的采集域偏移，提出利用伪域的持续主动学习方法，在连续数据流上以有限专家标注预算支持模型更新。主要研究对象是多扫描仪医学影像，而非 EEG 或 BCI。 方法机制：该方法自动识别影像采集特性的变化，将其视为新域，选择待标注样本并相应调整训练；同时使用回放记忆，在学习新域时缓解灾难性遗忘。其运行依赖连续影像数据流、可获取的专家标注及受限标注预算。摘要未交代伪域的具体构建方式、样本选择准则、回放记忆维护策略或训练目标，这些内容尚未验证。 评估与结论：作者在心脏分割、肺结节检测和脑龄估计三个任务上评估方法，并报告在存在域偏移的连续数据流中优于其他主动学习方法。摘要未提供具体数据集、样本规模、划分、标注预算、指标数值及对照方法名称，因此尚不能量化收益，也不能据此判断各组件的独立贡献；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 连续采集中的设备、会话或通道配置变化能被稳定识别为伪域，该方法可能为有限标注条件下的持续适应提供参考。可复用的思路是域变化检测、主动选样与回放协同，需改造影像表征和采样准则，并明确 EEG 标签获取方式。低信噪比、跨被试生理差异与通道变化可能混淆采集域和任务类别，小数据下的伪域划分也可能不稳定。一个可证伪的小实验是在按会话顺序输入的有标签 EEG 数据上模拟标注查询，以相同预算和回放容量比较伪域选样与随机选样，分别检验新会话性能及旧会话遗忘程度。已有相关 EEG 工作尚未检索确认。