图 4 属于新增病类训练，核心问题是学会新病后，模型还能否认出旧病，方法是在同一批旧病斑上持续比较分数，某种旧病越容易与新病混淆，就越值得重新加入训练。流程分为三步：第一步固定旧病样本，从训练侧保留已核实的旧病斑及其标签；第二步跟踪旧类与竞争类的分数差，通过更新前与更新中的分数差示意，观察最易混病类得分与真实旧病类得分之间的距离变化；第三步优先回放易混病斑，选出分数差缩小最多的旧病斑，与新病样本一起更新模型参数，每轮固定回放样本数量，保证回放预算一致。对照方法在相同回放预算下，比较随机回放、已有动态回放和易混病斑回放三种策略；评估时分别报告新类宏平均 F1，以及旧类宏平均 F1 从更新前到更新后的下降幅度，既看新类学得如何，也看旧类是否被灾难性遗忘。整体以分数差缩小程度作为易混样本的筛选依据，把有限回放预算集中在最容易被新病混淆的旧病斑上。