医学AI模型在学习新任务时常忘记旧知识，即“灾难性遗忘”。复旦大学提出的PRIMED框架，利用检索驱动的动态记忆，有效解决了这一核心难题，为医学大模型的持续进化提供了实用且高效的新路径。
智能速览
PRIMED框架首次将检索增强生成系统性引入医学持续学习领域。
构建了包含1800万图文对的庞大多模态医学检索数据库。
通过多阶段检索机制，实现跨模态、跨领域的高精度知识召回。
动态Fisher权重保护技术，精细平衡新旧知识的学习过程。
在全新医学基准测试中，表现全面超越现有主流方法。
精华内容
PRIMED框架如何通过其精巧设计，在持续学习中兼顾效率与效果，避免知识遗忘？
检索革新
PRIMED的核心是检索驱动的动态记忆机制，它用外部知识检索替代了传统的样本回放。团队基于PubMed构建了包含约1800万图文对的庞大医学多模态检索库，并配套3000条细粒度问题。这种做法让模型在学习新任务时，能实时、精准地调取相关旧知识，从根本上解决了数据访问的瓶颈问题。
动态召回
为避免关键词误匹配，PRIMED设计了一套动态多阶段检索流程。该流程首先通过向量检索进行初步筛选，随后利用视觉重排序对图文匹配度进行精细化调整，最后引入BM25词法门控，确保跨模态、跨领域知识召回的高精度。这种分层处理方式，显著提升了召回知识的准确性与相关性。
知识平衡
模型在持续微调中，为防止零样本能力下降和模态对齐结构被破坏，PRIMED提出了对比式知识迁移（CKT）与跨模态一致性（CMC）损失。同时，动态Fisher权重保护（DFG）技术通过实时估计参数重要性，自适应调节正则化强度，在稳定旧知识与吸收新知识之间实现了精细平衡。
实测效果
在全新设计的医学持续学习基准MGTIL上，PRIMED的表现全面超越了ZSCL、GIFT等当前最优方法。实验数据表明，该框架在不访问原始训练数据的前提下，显著降低了灾难性遗忘，尤其是在高难度的医学分类任务中，其ACC、AUC等关键指标提升尤为突出，证明了其在真实临床应用中的巨大潜力。
PRIMED框架为解决医学大模型的持续学习与遗忘难题提供了系统性方案，其创新性的检索与动态平衡机制极具启发性。当AI能不断学习新知而不遗忘旧识，未来的医疗智能将会走向何方？
