臨床現場では、経験豊富な医師が診療を通じて診断の専門性を発揮します。彼らは疾患知識だけでなく、紛らわしい状態を鑑別する能力も身につけています。しかし、現在の医療用視覚言語モデル（VLM）にはこの能力が欠けています。そのパラメータは静的な知識を符号化しており、診断経験を重ねても進化しないのです。この問題を解決するために、研究者らはMedExpMemという経験記憶フレームワークを提案しました。これにより、VLMベースの診断エージェントが鑑別診断の専門知識を蓄積できるようになります。
検索拡張生成（RAG）が百科事典的な疾患記述を検索するのとは異なり、MedExpMemはエージェント自身の診断失敗から得られた識別経験を記憶し、それをペアワイズ鑑別ノートとして整理します。このノートには、重要な鑑別点、実行可能な意思決定ルール、推論エラーパターンが含まれています。フレームワークは医師の学習を模倣した2段階の構築プロセスを採用しています。初期練習で知識のギャップを明らかにし、内省的な再診断で理解を洗練させます。新しい症例に遭遇すると、エージェントは経験記憶を検索して鑑別推論を導きます。
研究チームは、11のサブスペシャリティにわたる放射線科のベンチマークでMedExpMemを評価しました。その結果、多様なモデルとスケールで一貫した精度向上が見られ、最大で7.0%の改善を達成しました。分析実験により、経験の質と堅牢性が検証され、MedExpMemがパラメトリック学習では到達できない医学的適応のニーズに応える競争力のある方法であることが示されました。
本論文はMICCAI 2026に早期採択されており、投稿版はarXiv:2605.22872v1として2026年5月20日に提出されました。著者はQianhan Fengら7名です。論文は機械学習（cs.LG）に属し、人工知能（cs.AI）およびコンピュータビジョンとパターン認識（cs.CV）にも関連しています。