論文の概要: TrajOnco: a multi-agent framework for temporal reasoning over longitudinal EHR for multi-cancer early detection

• arxiv url: http://arxiv.org/abs/2604.10386v1
• Date: Sun, 12 Apr 2026 00:16:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.986833
• Title: TrajOnco: a multi-agent framework for temporal reasoning over longitudinal EHR for multi-cancer early detection
• Title（参考訳）: TrajOnco:マルチカメラ早期検出のための縦型EHRを用いた時間的推論のためのマルチエージェントフレームワーク
• Authors: Sihang Zeng, Young Won Kim, Wilson Lau, Ehsan Alipour, Ruth Etzioni, Meliha Yetisgen, Anand Oka,
• Abstract要約: 我々は、スケーラブルなマルチカメラ早期検出のために設計された、トレーニングフリーでマルチエージェントな大規模言語モデル(LLM)フレームワークであるTrajOncoを紹介する。 TrajOncoは長期記憶を備えたチェーン・オブ・エージェントアーキテクチャを使用して、シーケンシャルな臨床イベントに対する時間的推論を行う。 一致した症例対照コホートを用いてTrajOncoを15種類のがんタイプで同定し,がん診断のリスクを1年間予測した。
• 参考スコア（独自算出の注目度）: 3.821311636515365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate estimation of cancer risk from longitudinal electronic health records (EHRs) could support earlier detection and improved care, but modeling such complex patient trajectories remains challenging. We present TrajOnco, a training-free, multi-agent large language model (LLM) framework designed for scalable multi-cancer early detection. Using a chain-of-agents architecture with long-term memory, TrajOnco performs temporal reasoning over sequential clinical events to generate patient-level summaries, evidence-linked rationales, and predicted risk scores. We evaluated TrajOnco on de-identified Truveta EHR data across 15 cancer types using matched case-control cohorts, predicting risk of cancer diagnosis at 1 year. In zero-shot evaluation, TrajOnco achieved AUROCs of 0.64-0.80, performing comparably to supervised machine learning in a lung cancer benchmark while demonstrating better temporal reasoning than single-agent LLMs. The multi-agent design also enabled effective temporal reasoning with smaller-capacity models such as GPT-4.1-mini. The fidelity of TrajOnco's output was validated through human evaluation. Furthermore, TrajOnco's interpretable reasoning outputs can be aggregated to reveal population-level risk patterns that align with established clinical knowledge. These findings highlight the potential of multi-agent LLMs to execute interpretable temporal reasoning over longitudinal EHRs, advancing both scalable multi-cancer early detection and clinical insight generation.
• Abstract（参考訳）: 縦断的電子健康記録(EHR)によるがんリスクの正確な推定は、早期発見とケアの改善を支援できるが、そのような複雑な患者の軌跡をモデル化することは依然として困難である。 我々は、スケーラブルなマルチカメラ早期検出のために設計された、トレーニングフリーでマルチエージェントな大規模言語モデル(LLM)フレームワークであるTrajOncoを紹介する。 TrajOncoは長期記憶を備えたチェーン・オブ・エージェントアーキテクチャを使用して、シーケンシャルな臨床イベントに対する時間的推論を行い、患者レベルの要約、エビデンスにリンクされた合理性、予測リスクスコアを生成する。 一致した症例対照コホートを用いてTrajOncoを15種類のがんタイプで同定し,がん診断のリスクを1年間予測した。 ゼロショット評価では、TrajOncoは0.64-0.80のAUROCを達成し、肺がんベンチマークにおける教師あり機械学習と互換性があり、単一エージェントLLMよりも時間的推論が優れていることを示した。 マルチエージェント設計は、GPT-4.1-miniのようなより小さな容量モデルによる効果的な時間的推論を可能にした。 TrajOncoの出力の忠実さは人間の評価によって検証された。 さらに、TrajOncoの解釈可能な推論出力を集約することで、確立された臨床知識と整合した集団レベルのリスクパターンを明らかにすることができる。 以上の結果から, 経時的 EHR による解釈可能な時間的推論を行うマルチエージェント LLM の可能性が示唆された。

関連論文リスト

• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• SurvAgent: Hierarchical CoT-Enhanced Case Banking and Dichotomy-Based Multi-Agent System for Multimodal Survival Prediction [49.355973075150075]
  マルチモーダルサバイバル予測のための最初の階層的チェーン・オブ・シント(CoT)強化マルチエージェントシステムであるSurvAgentを紹介する。 SurvAgentは2つの段階から構成される: WSI-Gene CoT-Enhanced Case Bank Constructionは、低磁化スクリーニング、クロスモーダル類似性-アウェアパッチマイニング、および病理画像に対する信頼-アウェアパッチマイニングを通じて階層解析を使用する。 二分法に基づくMulti-Expert Agent Inferenceは、RAGを介して類似の事例を検索し、段階的間隔改善による専門家予測とマルチモーダルレポートを統合する。
  論文  参考訳（メタデータ） (2025-11-20T18:41:44Z)
• Traj-CoA: Patient Trajectory Modeling via Chain-of-Agents for Lung Cancer Risk Prediction [7.791585607613674]
  大規模言語モデル(LLM)は、患者軌跡をモデル化するための一般化可能なアプローチを提供する。 患者軌道モデルのためのチェーン・オブ・エージェントを含むマルチエージェントシステムであるTraj-CoAを紹介する。
  論文  参考訳（メタデータ） (2025-10-12T05:24:32Z)
• Cohort-Aware Agents for Individualized Lung Cancer Risk Prediction Using a Retrieval-Augmented Model Selection Framework [4.828586430285072]
  肺がんのリスク予測は、患者集団間の大きな変動と臨床環境のために依然として困難である。 本稿では,各患者に対して最も適切なモデルを動的に選択する,パーソナライズされた肺癌リスク予測エージェントを提案する。
  論文  参考訳（メタデータ） (2025-08-20T02:59:39Z)
• Intercept Cancer: Cancer Pre-Screening with Large Scale Healthcare Foundation Models [22.56012797703626]
  CATCH-FM, CATch carcinoma early with Healthcare Foundation Models。 Caught-FMは、過去の医療記録に基づいて、リスクの高い患者をスクリーニングするために特定する。 本分析は,様々な患者分布におけるCATCH-FMのロバスト性,ICD符号空間での操作の利点,非自明ながんリスク因子を捕捉する能力を示す。
  論文  参考訳（メタデータ） (2025-05-30T20:31:09Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。