Traj-Evolve：面向患者轨迹建模与预测的自演化多智能体系统

根据纵向电子健康记录 (EHR) 对患者轨迹进行建模需要对稀疏、嘈杂和长上下文的多模态序列进行推理。现有的基于大语言模型的多智能体系统解决了上下文长度问题，但孤立地处理患者，无法反映临床医生如何利用从类似的先前案例中积累的经验。我们提出了 Traj-Evolve，一个具有两种互补进化机制的自我进化多智能体系统。首先，经验池（ExPool）充当非参数存储器，对拒绝采样的推理轨迹进行索引，以将相似的患者检索为少样本上下文。其次，多智能体强化学习（MARL）通过奖励排名微调参数优化智能体间和智能体记忆协作。留一交叉检索策略将两者统一起来，在检索增强下调整训练和推理时间行为。在利用长达五年的多模态 EHR 的肺癌预测任务中，Traj-Evolve 的表现优于总体人群和具有挑战性的从不吸烟人群的 9 个强大基线。对动态演变的分析突出了三个关键发现：（1）扩展 ExPool 将最佳检索从多样化样本转移到特定样本； (2) 在 MARL 下，管理代理的预测损失快速收敛，而工作代理的时间推理继续受益于更多经过验证的患者； (3) 这两种机制在预测风险上是互补的，其中 ExPool 提高了特异性，而 MARL 提高了敏感性。