MedExpMem：讓醫療 AI 像醫生一樣從經驗中學習

研究團隊提出 MedExpMem 框架，旨在解決當前醫療視覺語言模型（VLMs）參數固定、無法隨診斷過程進化的問題。傳統模型僅編碼靜態知識，而資深醫生是透過臨床實踐累積鑑別診斷能力，MedExpMem 試圖讓基於 VLM 的診斷代理像醫生一樣，從診斷失誤中積累經驗。

與檢索增強生成（retrieval-augmented generation）不同，MedExpMem 不檢索百科全書式的疾病描述，而是記憶代理自身診斷失敗所衍生的鑑別經驗。這些經驗被組織成成對的鑑別筆記（pairwise differential notes），其中包含關鍵鑑別點、可執行的決策規則以及推理錯誤模式。

該框架採用模擬醫生學習的兩階段構建過程：初始實踐階段暴露知識缺口，隨後透過反思性再診斷來深化理解。當遇到新病例時，代理會檢索經驗記憶以指導鑑別推理。研究團隊在涵蓋 11 個亞專科的放射學基準上對 MedExpMem 進行了評估。

結果顯示，MedExpMem 在不同模型和規模下均帶來了持續的準確率提升，最高提升幅度達 7.0%。分析實驗驗證了經驗的品質與魯棒性，證明 MedExpMem 是一種競爭性方法，能解決參數學習無法觸及的醫療適應需求。