MedExpMem：调整经验记忆以进行鉴别诊断

arXiv:2605.22872v1 公告类型：新 摘要：经验丰富的医生通过临床实践培养诊断专业知识，不仅获得疾病知识，还获得区分易混淆病症的能力。当前的医学视觉语言模型（VLM）缺乏这种能力——它们的参数编码静态知识，而这些静态知识不会随着诊断的发生而演变。我们提出了 MedExpMem，一种经验记忆框架，使基于 VLM 的诊断代理能够积累鉴别诊断专业知识。与检索百科全书式的疾病描述的检索增强生成不同，MedExpMem 会记住来自代理自身诊断失败的判别经验，并将它们组织为编码关键判别器、可操作决策规则和推理错误模式的成对差分注释。该框架采用反映医生学习的两阶段构建过程：初始实践暴露知识差距，反思性重新诊断完善理解。当遇到新的案例时，智能体会检索经验记忆来指导差异推理。我们根据涵盖 11 个子专业的放射学基准评估 MedExpMem。结果表明，在不同的模型和尺度上，准确率得到了一致的提高，最高可达 7.0%。分析实验验证了体验质量和稳健性，证明 MedExpMem 作为一种竞争性方法可以满足参数学习无法满足的医疗适应需求。