MedExpMem: фреймворк для накопления опыта ИИ в диагностике повысил точность на 7%

Группа исследователей разработала MedExpMem — фреймворк, который наделяет медицинские модели визуального языка способностью накапливать и использовать опыт дифференциальной диагностики. Система имитирует процесс обучения врачей-практиков: она учится на собственных диагностических неудачах и успехах, а не просто обращается к энциклопедическим описаниям болезней.

Современные VLM-модели (vision-language models) имеют статичные параметры, которые не меняются после обучения. Это означает, что каждая новая диагностическая задача решается с нуля, без учёта предыдущего опыта. MedExpMem решает эту проблему, вводя механизм опытной памяти, который хранит дискриминативные признаки, решающие правила и паттерны ошибок, выявленные в ходе работы агента.

Фреймворк состоит из двух этапов, аналогичных клинической практике: начальная практика, где модель выявляет пробелы в знаниях, и рефлексивная редиагностика, которая закрепляет понимание. При встрече с новым случаем агент извлекает релевантный опыт из памяти и использует его для более точного дифференциального анализа.

Эксперименты проводились на радиологическом бенчмарке, охватывающем 11 подспециальностей. Результаты показали стабильное повышение точности на различных моделях и масштабах: максимальный прирост составил 7 процентных пунктов. Дополнительные аналитические тесты подтвердили качество и устойчивость накопленного опыта.

По мнению авторов, MedExpMem представляет собой конкурентоспособный метод адаптации медицинских ИИ-систем, расширяющий возможности параметрического обучения. Разработка может найти применение в системах поддержки принятия врачебных решений, особенно в сложных случаях, требующих различения схожих заболеваний.