Traj-Evolve: A Self-Evolving Multi-Agent System for Patient Trajectory Modeling in Lung Cancer Early Detection

摘要：从纵向电子健康记录（EHR）中对患者轨迹进行建模，需要处理稀疏、嘈杂且长上下文的模态序列。现有基于大语言模型的多智能体系统虽能应对上下文长度问题，但孤立地处理每位患者，未能模拟临床医生如何从相似既往病例中积累经验。我们提出Traj-Evolve——一个具有两种互补演化机制的自演化多智能体系统。首先，经验池（ExPool）作为非参数化记忆，通过索引经拒绝采样的推理轨迹，检索相似患者作为少样本上下文。其次，通过奖励排序微调的多智能体强化学习（MARL）以参数化方式优化智能体间及智能体与记忆的协作。一种留一法交叉检索策略将两者统一，在检索增强下对齐训练与推理时的行为。在利用长达五年多模态EHR的肺癌预测任务中，Traj-Evolve在整体人群及具有挑战性的从不吸烟人群上均优于9个强基线模型。对演化动态的分析揭示了三个关键发现：（1）扩展ExPool使最优检索从多样化样本转向特定样本；（2）在MARL下，管理智能体的预测损失快速收敛，而工作智能体的时序推理持续受益于更多已验证患者；（3）两种机制在预测风险上具有互补性——ExPool提升特异性，而MARL提升敏感性。