TrajOnco：面向多癌种早期检测的纵向EHR时序推理多智能体框架

摘要

从纵向电子健康记录（EHR）中准确估计癌症风险可以支持更早的检测和更好的诊疗，但对这种复杂的患者轨迹建模仍然具有挑战性。我们提出TrajOnco，一个免训练的多智能体大语言模型（LLM）框架，面向可扩展的多癌种早期检测。TrajOnco采用带长期记忆的智能体链架构，对顺序临床事件进行时序推理，生成患者级摘要、证据关联的理由和预测的风险评分。我们在去标识化的Truveta EHR数据上使用匹配的病例-对照队列对TrajOnco进行评估，覆盖15种癌症类型，预测1年内确诊癌症的风险。在零样本评估中，TrajOnco取得0.64至0.80的AUROC，在肺癌基准上与监督机器学习表现相当，同时展示出优于单智能体LLM的时序推理能力。多智能体设计还使较小容量的模型（如GPT-4.1-mini）也能进行有效的时序推理。TrajOnco输出的保真度通过人工评估得到验证。此外，TrajOnco可解释的推理输出可被聚合，以揭示与既有临床知识相符的人群级风险模式。这些发现凸显了多智能体LLM在纵向EHR上执行可解释时序推理的潜力，推动了可扩展的多癌种早期检测和临床洞见生成。

TrajOnco：面向多癌种早期检测的纵向EHR时序推理多智能体框架：论文配图 — 图 3：TrajOnco 可扩展性和效率的敏感性分析。一个。使用不同基础模型的肺癌基准上 TrajOnco 的 AUROC 和中位运行时间。每个点的半径与模型输入token的API价格成正比。粉色虚线代表帕累托前沿。在这些基础模型中，GPT-4.1-mini 实现了性能、延迟和成本之间的平衡。 b.扩大左截断患者轨迹的最大长度时提高了预测性能。 c.LLM作为法官对一阶段 TrajOnco 和两阶段 TrajOnco 进行比较。一阶段模型比两阶段模型具有更好的临床推理、细节完整性和时间推理。 d.两阶段模型实现了较低的延迟，特别是对于很长的 EHR 序列。