一种基于终身学习的可微医学跨模态哈希检索方法

本发明公开了一种基于终身学习的可微医学跨模态哈希检索方法，通过双塔Transformer对基础医疗数据进行编码，并将编码后的特征输入到哈希学习模块中；然后，利用语义对齐模块约束医疗数据内和跨模态的距离和标签相关性，使具有相同或不同语义的多模态数据在映射到汉明空间时彼此接近或更远，当有新类别的增量医疗数据到来时，设计终身哈希学习模块，将增量数据直接映射到哈希码中，而不是用累积医疗数据再训练哈希函数，有效避免了哈希学习的灾难性遗忘。本发明从医学流场景考虑，节省了训练时间和计算资源，实现了临床流数据的连续高效检索。