MedExpMem: 适应经验记忆以实现差异诊断

背景与问题

当前医疗视觉-语言模型（VLMs）在处理复杂病例时存在局限性。这些模型依赖于静态知识库，无法通过实际临床经验动态学习和改进。这导致它们在面对难以区分的疾病情况时表现不佳。

核心内容

MedExpMem 引入了一种创新的方法来解决这一问题。其核心在于构建一个经验记忆系统，允许诊断代理在遇到错误后反思并总结这些失误的经验教训。具体而言，该框架将这些知识以差异性笔记的形式记录下来，并且通过对比对错病例来提取关键的鉴别信息、行动规则以及推理过程中的错误模式。

此外，MedExpMem 采用两阶段构建流程：首先通过实践暴露知识漏洞；其次通过反思重新诊断来深化理解。这与医生学习过程非常相似。当代理面对新案例时，它会调用经验记忆系统来进行指导性的鉴别分析。

意义与影响

这项研究对于提高医疗 AI 系统的适应性和准确性具有重要意义。MedExpMem 通过提供一种新的机制来动态更新模型知识库，使其能够更好地应对实际临床环境中的复杂情况。实验结果表明，即使是在不同的基础模型上应用该框架也能显著提升诊断准确性。

分析还验证了经验记忆的质量和鲁棒性，证明 MedExpMem 能够有效解决参数化学习无法达到的适应需求。这一创新不仅推动了医疗 AI 领域的发展，也为未来基于实践经验改进算法的设计提供了新的思路。