Traj-Evolve는 종단적 전자건강기록(EHR)으로 폐암을 조기 예측하기 위한 자가진화형 멀티에이전트 시스템이다. 비모수 메모리인 경험 풀(ExPool)이 유사 환자의 추론 과정을 검색해 few-shot 맥락으로 제공하고, 보상 순위 기반 미세조정(MARL)으로 에이전트 간·에이전트-메모리 협업을 최적화한다. 최대 5년치 멀티모달 EHR을 활용한 폐암 예측에서 9개 강력 베이스라인을 능가했고, 비흡연자 집단에서도 우수했다. ExPool은 특이도를, MARL은 민감도를 높여 두 기법이 상호 보완적임을 보였다.
- •ExPool은 거부 샘플링된 추론 트레이스를 색인해 유사 환자를 few-shot 예시로 검색하는 비모수 메모리 역할을 한다.
- •MARL은 보상 순위 기반 미세조정으로 에이전트 간 및 에이전트-메모리 협업을 매개변수 차원에서 최적화한다.
- •최대 5년치 멀티모달 EHR 기반 폐암 예측에서 9개 베이스라인을 능가하고 비흡연자 집단에서도 강세를 보였다.
- •ExPool을 확장하면 최적 검색이 다양한 샘플에서 구체적 샘플로 이동한다.
- •ExPool은 특이도를, MARL은 민감도를 개선해 두 메커니즘이 예측 위험도에서 상호 보완적이다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Traj-Evolve: A Self-Evolving Multi-Agent System for Patient Trajectory Modeling in Lung Cancer Early Detection
- 1.Traj-Evolve, 자기진화 멀티에이전트로 폐암 조기발견 환자 궤적 모델링
- 2.경험풀(ExPool) 비모수 메모리로 유사 환자를 few-shot 맥락으로 검색
- 3.보상랭킹 파인튜닝 기반 MARL로 에이전트-메모리 협업을 최적화
- 4.5년 멀티모달 EHR로 9개 강력 베이스라인·비흡연자 집단에서 우위
왜 중요한가?
기존 LLM 멀티에이전트가 환자를 개별 처리해 임상의가 유사 과거 사례 경험을 활용하는 방식을 못 살리던 한계를, 비모수 경험풀과 MARL의 상보적 결합으로 메워 특이도와 민감도를 동시에 끌어올렸다.
언급 프로젝트
고령화 사회로 진입하는 한국에서 폐암 조기 진단은 국가적 보건 과제이며, 환자 전자의무기록(EHR) 기반의 AI 시스템은 그 해법이 될 수 있습니다. 이 연구는 자가 진화하는 다중 에이전트 시스템을 통해 환자 궤적 모델링의 정확도를 높여, 국내 의료 AI 분야에서 정밀 진단 및 맞춤형 치료법 개발을 가속화하는 데 중요한 발판을 마련할 것입니다.
본문 미리보기
arXiv:2606.02812v1 Announce Type: new Abstract: Modeling patient trajectories from longitudinal electronic health records (EHRs) requires reasoning over sparse, noisy, and long-context multimodal sequences. Existing LLM-based multi-agent systems address context length but process patients in isolation, failing to mirror how clinicians leverage accumulated experience from similar prior cases. We present Traj-Evolve, a self-evolving multi-agent system with two complementary evolving mechanisms. F
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:12AI 초안
