MedExpMem：将经验记忆用于鉴别诊断
MedExpMem是一种新型经验记忆框架，使医学视觉语言模型能够从诊断失败中积累鉴别诊断经验。在11个放射学专业领域实现高达7%的准确率提升。
文章情报
要点
- 当前的医学视觉语言模型（VLM）缺乏动态学习能力，而MedExpMem通过模拟医生的经验积累过程来改进鉴别诊断。
- 该框架从诊断失败中学习，存储关键区分器、决策规则和推理错误模式。
- 采用两阶段构建：初始实践暴露知识差距，反思性再诊断完善理解。
- 在11个放射学专业领域的多种模型上，准确率最高提升7.0%。
为什么重要
这条新闻值得关注，因为当前的医学视觉语言模型（VLM）缺乏动态学习能力，而MedExpMem通过模拟医生的经验积累过程来改进鉴别诊断。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
在临床实践中，经验丰富的医生通过不断诊治病例，不仅积累了疾病知识，还发展出区分相似病症的鉴别诊断能力。然而，当前的医学视觉语言模型（VLM）缺乏这种动态学习能力——它们的参数编码的是静态知识，无法在诊断过程中随经验进化。针对这一局限，来自多所机构的研究人员提出了MedExpMem，一种经验记忆框架，旨在赋予基于VLM的诊断代理积累鉴别诊断专业知识的能力。
与检索增强生成（RAG）方法不同，RAG仅检索百科全书式的疾病描述，而MedExpMem则从代理自身的诊断失败中学习，将辨别的经验存储为成对的鉴别笔记。这些笔记编码了关键区分因子、可操作的决策规则以及推理错误模式。该框架的构建过程模仿了医生的学习路径，分为两个阶段：初始实践阶段暴露知识缺口，随后通过反思性再诊断来深化理解。当遇到新病例时，代理会检索经验记忆来指导鉴别推理。
研究团队在涵盖11个亚专科的放射学基准上评估了MedExpMem。结果显示，在不同模型和规模上，该方法均能带来一致的准确率提升，最高达7.0%。通过分析实验，研究人员还验证了经验的质量和鲁棒性，证明MedExpMem是一种有竞争力的方法，能够解决参数学习无法触及的医学适应性需求。该论文已被MICCAI 2026 Early Accept接收，并于2026年5月20日提交至arXiv。
MedExpMem的提出标志着医学人工智能在适应性和持续学习方面迈出了重要一步。传统的迁移学习或微调虽然能调整模型参数，但无法捕捉临床实践中累积的细微鉴别经验。而MedExpMem通过显式存储和检索经验，使得模型能够在面对新病例时，借鉴过去诊断错误的教训，从而减少混淆。未来，该框架有望扩展到其他医学影像领域，甚至结合多模态数据进一步提升诊断准确性。