성장하는 환자 경로 모델을 위한 환자 호흡기 암 초기 검출을 위한 자기 진화하는 다중 agent 시스템: Traj-Evolve

환자 경로 모델링의 도전

전자 의료 기록(EHRs)에서 환자 경로를 모델링하는 것은 복잡한 문제입니다. 장기적이고 다중 모드의 시차가 심하고 노이즈가 많은 시퀀스를 처리하는 것이 필요하기 때문입니다. 기존의 대규모 언어 모델(LLM) 기반의 다중-agent 시스템은 컨텍스트 길이를 처리하지만, 환자를 고립시켜 클리닉이 누적된 경험을 활용하는 것처럼 동일한 이전 사례에서 정보를 통합하는 것을 실패했습니다. Traj-Evolve는 이러한 문제를 해결하기 위해 두 가지 상호 보완적인 발전 메커니즘을 갖는 자가 발전하는 다중-agent 시스템을 제시합니다. 첫 번째 Experience Pool(ExPool)은 비파라미터 메모리 역할을 하며, 거절 샘플링된 추론 경로를 통해 유사한 환자를 찾기 위해 몇 가지 샷의 컨텍스트로 인덱싱합니다. 두 번째는 대규모 멀티 에이전트 강화 학습(MARL)으로 인덱싱한 상호 작용과 agent-memory 협력의 파라미터적인 최적화를 통해 reward-ranked 미세 조정합니다.

성능 평가

Leave-one-out cross-retrieval 전략은 두 메커니즘을 통합하여 학습-과 추론 시간에서 retrieval augmentation을 통해 동작을 일치시킵니다. 다중 모드 EHR를 사용한 5년 동안의 폐암 예측 과제에서 Traj-Evolve는 전체 인구와 NEVER-SMOKER 인구에서 9개의 강력한 기준선보다 뛰어난 성능을 보였습니다. 발전 동적 분석에서 세 가지 주요 발견을 확인할 수 있습니다: (1) ExPool을 확장하면 최적의 검색이 다양한 샘플에서 특정 샘플로_shift한다; (2) MARL에서 매니저 agent의 예측 손실은 빠르게 수렴하는 동안 워커 agent의 시간적 추론은 더 검증된 환자에 의해 이익을 얻습니다; (3) 두 메커니즘은 예측된 위험에서 상호 보완적이며 ExPool은 특이성 향상에 반면 MARL은 민감성 향상에 기여합니다. 이러한 결과는 Traj-Evolve가 환자 경로 모델링과 폐암 예측에 효과적인 접근임을 보여줍니다.