MedSynapse-V：潜在メモリの進化で視覚認識と臨床的直観をつなぐ

Abstract

高精度な医療診断は、静的な画像特徴だけに依存するのではなく、画像解釈の際に専門家が即座に呼び起こす暗黙的な診断メモリにも支えられている。われわれは、離散的なトークン化によって生じる医療VLMにおける根本的な認知的ミスマッチを特定し、その結果として量子化損失、長距離情報の散逸、そして症例に適応した専門性の欠落が起こることを明らかにする。このギャップを埋めるために、われわれは提案手法として、潜在診断メモリの進化を扱う枠組みを提示し、モデルの隠れストリーム内で暗黙的な診断メモリを動的に合成することで、臨床医による経験的な呼び起こしをシミュレートする。具体的には、先行の記憶化のためのメタクエリ（Meta Query for Prior Memorization）機構から始まり、学習可能なプローブが解剖学的事前エンコーダから構造化された事前知識を取得し、凝縮された暗黙的メモリを生成する。臨床的な忠実性を担保するために、因果反実的洗練（Causal Counterfactual Refinement: CCR）を導入する。CCRは強化学習と、領域レベルの特徴マスキングに基づく反実的報酬を用いて、各メモリの因果的寄与を定量化し、それにより冗長性を刈り込み、潜在表現を診断ロジックに整合させる。この進化的プロセスは、特権的で自律的なデュアルブランチの枠組みである内在メモリ遷移（Intrinsic Memory Transition: IMT）へと到達する。IMTは、全ボキャブラリのダイバージェンス整合を通じて、教師ブランチの診断パターンを学生ブランチに内在化する。複数データセットにわたる包括的な実験評価により、われわれは外部の専門知識を内生的なパラメータへ転移することで、既存の最先端手法、特に chain-of-thought（思考の鎖）パラダイムにおいて診断精度で大きく上回ることを示す。