精选今天0 投票
Traj-Evolve：自我进化的多智能体系统，助力肺癌早期筛查中的患者轨迹建模
研究背景：电子健康记录的建模挑战
肺癌早期筛查依赖于对患者长期电子健康记录（EHR）的分析，这需要处理稀疏、嘈杂且长上下文的多模态序列。现有基于大语言模型（LLM）的多智能体系统虽然能应对长上下文，但每个患者被独立处理，无法像临床医生那样从相似病例中积累经验。
Traj-Evolve 的核心机制
来自华盛顿大学等机构的研究人员提出了 Traj-Evolve，一个具有两种互补进化机制的系统：
1. 经验池（ExPool）
作为非参数记忆，它索引经过拒绝采样的推理轨迹，在推理时检索相似患者作为少样本上下文。这模拟了医生回顾类似病例的过程。
2. 多智能体强化学习（MARL）
通过奖励排序微调，参数化优化智能体之间以及智能体与记忆的协作。
此外，一种留一法交叉检索策略将两者统一，使训练和推理行为在检索增强下保持一致。
实验结果与关键发现
在基于长达五年多模态EHR的肺癌预测任务中，Traj-Evolve 在整体人群和具有挑战性的从不吸烟者人群上均超越了9个强基线模型。分析揭示了三点关键发现：
- 经验池扩展使最优检索从多样化样本转向特定样本；
- 在MARL下，管理智能体的预测损失快速收敛，而工作智能体的时间推理持续受益于更多已验证患者；
- 两种机制在预测风险上互补：ExPool 提升特异性，MARL 提升敏感性。
行业意义
这项研究将自我进化与多智能体协作引入医疗AI，为利用EHR进行疾病早期检测提供了新范式。其“从经验中学习”的设计原则，有望推广到其他需要长程推理的临床任务中。