論文の概要: MedExpMem: Adapting Experience Memory for Differential Diagnosis

• arxiv url: http://arxiv.org/abs/2605.22872v1
• Date: Wed, 20 May 2026 01:42:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.011957
• Title: MedExpMem: Adapting Experience Memory for Differential Diagnosis
• Title（参考訳）: MedExpMem: 差分診断にエクスペリエンスメモリを適用する
• Authors: Qianhan Feng, Zhongzhen Huang, Yakun Zhu, Yannian Gu, Winnie Chiu Wing Chu, Xiaofan Zhang, Qi Dou,
• Abstract要約: 医用視覚言語モデルのための体験記憶フレームワークであるMedExpMemを提案する。 検索増強生成とは異なり、MedExpMemはエージェント自身の診断失敗から派生した識別経験を記憶する。 結果は、様々なモデルとスケールで、一貫した精度の改善、最大7.0%を示す。
• 参考スコア（独自算出の注目度）: 22.04453629016854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Experienced physicians develop diagnostic expertise through clinical practice, acquiring not only disease knowledge but also the ability to differentiate confusable conditions. Current medical vision-language models (VLMs) lack this capability -- their parameters encode static knowledge that does not evolve across diagnostic encounters. We propose MedExpMem, an experience memory framework enabling VLM-based diagnostic agents to accumulate differential diagnosis expertise. Unlike retrieval-augmented generation, which retrieves encyclopedic disease descriptions, MedExpMem memorizes discriminative experience derived from the agent's own diagnostic failures and organizes them as pairwise differential notes encoding key discriminators, actionable decision rules and reasoning error patterns. The framework adopts a two-phase construction process mirroring physician learning: initial practice exposes knowledge gaps, and reflective re-diagnosis refines understanding. When encountering new cases, the agent retrieves experience memory to guide differential reasoning. We evaluate MedExpMem on a radiology benchmark spanning 11 subspecialties. Results demonstrate consistent accuracy improvements, maximum 7.0%, across diverse models and scales. Analytical experiments validate experience quality and robustness, demonstrating MedExpMem as a competitive method addresses medical adaptation needs beyond the reach of parameteric learning.
• Abstract（参考訳）: 経験豊富な医師は、臨床実践を通じて診断の専門知識を発達させ、疾患の知識だけでなく、障害のある病態を区別する能力も獲得する。 現在の医療ビジョン言語モデル(VLM)には、この機能が欠如している。 我々は、VLMベースの診断エージェントが鑑別診断の専門知識を蓄積できるエクスペリエンスメモリフレームワークであるMedExpMemを提案する。 百科事典の病状記述を検索する検索増強生成とは異なり、MedExpMemは、エージェント自身の診断失敗から派生した識別経験を記憶し、キー識別器、実行可能な決定ルール、推論エラーパターンをコードするペアワイズディファレンシャルノートとして整理する。 最初の実践は知識のギャップを露呈し、反射的再診断は理解を洗練させる。 新しい事例に遭遇すると、エージェントは経験記憶を取得し、差分推論を導出する。 我々はMedExpMemを11亜種にわたる放射線学ベンチマークで評価した。 結果は、様々なモデルとスケールで、一貫した精度の改善、最大7.0%を示す。 分析実験は、MedExpMemをパラメータ学習の範囲を超えて医療適応のニーズに対処する競合手法として実証し、経験的品質と堅牢性を検証した。

関連論文リスト

• Medical Model Synthesis Architectures: A Case Study [72.46211022258122]
  現在のAIシステムは、不確実性の下で調整された推論に苦労している。 我々は,不確実性の下で,現実的に有用だが公式に透過的な臨床予測を行うことができるAIシステムのためのフレームワークを提案する。 このフレームワークの最初の概念実証は、どのようにして差分診断に利用できるかを示す。
  論文  参考訳（メタデータ） (2026-05-10T19:30:16Z)
• MedSynapse-V: Bridging Visual Perception and Clinical Intuition via Latent Memory Evolution [17.226939499496996]
  高精度な診断は、静的な画像の特徴だけでなく、暗黙的な診断記憶の専門家が画像解釈中に即座に起動することにも依存する。 本報告では,隠れストリーム内の暗黙的診断記憶を動的に合成することにより,臨床医の呼び出しをシミュレートする潜在診断記憶進化の枠組みを提案する。 内因性パラメータに外部の専門知識を移すことで、診断精度において既存の最先端の手法、特にチェーン・オブ・シント・パラダイムを著しく上回ります。
  論文  参考訳（メタデータ） (2026-04-29T04:23:35Z)
• MultiDx: A Multi-Source Knowledge Integration Framework towards Diagnostic Reasoning [66.94527468532843]
  2段階の診断推論フレームワークであるMultiDxを提案する。 まず Web 検索,SOAP 形式の症例,臨床症例データベースから知識を活用することにより,疑わしい診断と推論経路を生成する。 そして、マッチング、投票、および差分診断を通じて、複数のパースペクティブエビデンスを統合し、最終的な予測を生成する。
  論文  参考訳（メタデータ） (2026-04-27T08:46:29Z)
• MedClarify: An information-seeking AI agent for medical diagnosis with case-specific follow-up questions [26.936554184582096]
  我々は,情報探索のためのAIエージェントであるMedClarifyを紹介し,反復推論のためのフォローアップ質問を生成する。 具体的には、MedClarifyは、鑑別診断に類似した候補診断のリストを計算し、積極的にフォローアップ質問を生成する。
  論文  参考訳（メタデータ） (2026-02-19T12:19:12Z)
• Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
  大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。 本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。 本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
  論文  参考訳（メタデータ） (2025-10-11T16:24:35Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• End-to-End Agentic RAG System Training for Traceable Diagnostic Reasoning [52.12425911708585]
  Deep-DxSearchは、強化学習(RL)でエンドツーエンドに訓練されたエージェントRAGシステムである。 Deep-DxSearchでは,患者記録と信頼性のある医療知識情報を含む大規模医療検索コーパスを構築した。 実験により、エンドツーエンドのRLトレーニングフレームワークは、プロンプトエンジニアリングやトレーニングフリーなRAGアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-21T17:42:47Z)
• Towards the Identifiability and Explainability for Personalized Learner Modeling: An Inductive Paradigm [36.60917255464867]
  本稿では,エンコーダ・デコーダモデルにインスパイアされた新しい応答効率応答パラダイムに基づく,識別可能な認知診断フレームワークを提案する。 診断精度を損なうことなく,ID-CDFが効果的に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-01T07:18:02Z)
• Lifelong Learning based Disease Diagnosis on Clinical Notes [24.146567779632107]
  本稿では,医学的実体と文脈の融合,エピソディクス記憶の埋め込み,知識の保持に注意を払うことを提案する。 各種病院から収集した臨床記録を含む新しいベンチマークjarvis-40を樹立した。 提案手法は,提案するベンチマークで最先端の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-02-27T09:23:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。