arXiv 于 2026 年 5 月 20 日发布了一篇题为《MedExpMem: Adapting Experience Memory for Differential Diagnosis》的论文（编号 arXiv:2605.22872v1，cs.LG，交叉 cs.AI 与 cs.CV），作者为 Qianhan Feng 等共 7 人。该论文已被 MICCAI 2026 早期接收，当前版本为投稿版，全文约 1,205 KB，并提供 PDF、实验性 HTML 与 TeX 源码等获取方式。
论文的出发点来自临床现实：经验丰富的医生之所以能形成诊断专长，不仅依靠疾病知识，更依靠在长期实践中辨别易混淆病症的能力。而当前的医学视觉语言模型（VLM）缺少这种能力——其参数所编码的是静态知识，不会随着一次次诊断经历而演化。换句话说，模型可以“记住”教科书上的疾病描述，却难以从自己的误诊中学习。
为此，作者提出 MedExpMem，一个经验记忆框架，使基于 VLM 的诊断智能体能够积累鉴别诊断专长。它与检索增强生成（RAG）有本质区别：RAG 检索的是百科式的疾病描述，而 MedExpMem 记忆的是从智能体自身诊断失败中提炼出的判别性经验，并将其组织为成对的“鉴别笔记”（pairwise differential notes），每条笔记编码关键鉴别点、可操作的决策规则以及推理错误模式。
该框架采用两阶段构建流程，模仿医生的学习过程：初始实践暴露知识缺口，反思性再诊断则细化理解。当遇到新病例时，智能体检索经验记忆以引导鉴别推理。作者在覆盖 11 个亚专科的放射学基准上评估 MedExpMem，结果显示在不同模型与规模下均取得一致的准确率提升，最高达 7.0%。分析性实验进一步验证了经验的质量与鲁棒性。作者据此认为，MedExpMem 是一种有竞争力的方法，可满足参数化学习无法触及的医学适应需求。
从更广的意义看，这项工作指向医学 AI 的一个关键短板：静态参数难以承载随诊疗经历不断增长的临床经验。MedExpMem 将“从失败中学习”显式地外化为可检索、可积累的记忆结构，为医学 VLM 的持续适应提供了不同于微调与检索增强的第三条路径。论文同时给出了明确的评测范围（放射学、11 个亚专科）与量化收益（最高 7.0%），并强调经验质量与鲁棒性经过分析实验验证，为后续在更多 modality 与真实临床流程中的扩展留下了空间。