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

• arxiv url: http://arxiv.org/abs/2606.02812v1
• Date: Mon, 01 Jun 2026 19:30:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.564571
• Title: Traj-Evolve: A Self-Evolving Multi-Agent System for Patient Trajectory Modeling in Lung Cancer Early Detection
• Title（参考訳）: Traj-Evolve:肺癌早期発見のための患者軌道モデリングのための自己進化型マルチエージェントシステム
• Authors: Sihang Zeng, Matthew Thompson, Ruth Etzioni, Meliha Yetisgen,
• Abstract要約: 既存のマルチエージェントシステムは、患者を隔離して処理することができない。 本稿では2つの相補的な進化機構を持つ自己進化型マルチエージェントシステムであるTraj-Evolveについて述べる。 最大5年間のマルチモーダル EHR を用いた肺がん予測タスクでは、Traj-Evolve は9つの強いベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 4.945897652508564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• 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. First, an Experience Pool (ExPool) acts as a non-parametric memory, indexing rejection-sampled reasoning traces to retrieve similar patients as few-shot contexts. Second, multi-agent reinforcement learning (MARL) via reward-ranked fine-tuning parametrically optimizes inter-agent and agent-memory collaboration. A leave-one-out cross-retrieval strategy unifies the two, aligning training- and inference-time behavior under retrieval augmentation. On a lung cancer prediction task utilizing up to five years of multimodal EHRs, Traj-Evolve outperforms 9 strong baselines on the overall population and a challenging never-smoker population. Analysis of the evolving dynamics highlights three key findings: (1) expanding the ExPool shifts optimal retrieval from diverse to specific samples; (2) under MARL, the manager agent's prediction loss converges quickly while the worker agents' temporal reasoning continues to benefit from more verified patients; and (3) the two mechanisms are complementary on the predicted risk, where ExPool improves specificity while MARL improves sensitivity.
• Abstract（参考訳）: 経時的電子健康記録(EHR)から患者の軌跡をモデル化するには、スパース、ノイズ、長文マルチモーダルシーケンスの推論が必要である。 既存のLLMベースのマルチエージェントシステムは、コンテキスト長に対処するが、個別にプロセス患者を処理し、臨床医が類似のケースから蓄積した経験をいかに活用するかを反映しない。 本稿では2つの相補的な進化機構を持つ自己進化型マルチエージェントシステムであるTraj-Evolveについて述べる。 第一に、Experience Pool(ExPool)は非パラメトリックメモリとして機能し、リジェクションサンプリングされた推論トレースをインデクシングして、類似した患者を少数ショットのコンテキストとして検索する。 第2に、報酬ランク付微調整パラメトリックによるマルチエージェント強化学習(MARL)は、エージェント間の協調とエージェントメモリの協調を最適化する。 検索強化下でのトレーニング時間と推論時間とを整合させて、この2つを統一する。 最大5年間のマルチモーダル EHR を用いた肺がん予知作業では、トラジエボブは人口全体の9つの強力なベースラインと、非喫煙者人口を上回ります。 進化するダイナミックスの分析では,(1)ExPoolが最適検索を多種多様なサンプルから特定のサンプルに拡大する,(2)マネージャエージェントの予測損失が急速に収束する,(2)労働者エージェントの時間的推論がより多くの患者から恩恵を受け続ける,(3)ExPoolが特異性を向上し,MARLが感度を向上させる,という2つのメカニズムを補完する,という3つの重要な結果が示されている。

関連論文リスト

• TrajOnco: a multi-agent framework for temporal reasoning over longitudinal EHR for multi-cancer early detection [3.821311636515365]
  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。
  論文  参考訳（メタデータ） (2026-04-12T00:16:38Z)
• CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery [67.47220507982522]
  大規模言語モデル(LLM)ベースの進化は、オープンな発見のための有望なアプローチである。 オープンエンド問題における自律的マルチエージェント進化のための最初のフレームワークであるCORALを紹介する。 コーラルは、厳格な制御を長期にわたるエージェントに置き換え、探索し、反射し、協力する。
  論文  参考訳（メタデータ） (2026-04-02T05:59:06Z)
• RetroAgent: From Solving to Evolving via Retrospective Dual Intrinsic Feedback [54.39884046754265]
  RetroAgentは、エージェントが複雑なインタラクティブ環境をマスターできるオンラインRLフレームワークである。 実験の結果,RetroAgentはSOTA(State-of-the-art)の性能を達成できた。
  論文  参考訳（メタデータ） (2026-03-09T16:23:33Z)
• MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning [53.37068897861388]
  MedSAM-Agentは、対話的なセグメンテーションを多段階の自律的な意思決定プロセスとして再構築するフレームワークである。 マルチターン・エンド・ツー・エンドの成果検証を統合した2段階のトレーニングパイプラインを開発した。 6つの医療モダリティと21のデータセットにわたる実験は、MedSAM-Agentが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-03T09:47:49Z)
• Stage-Specific Benchmarking of Deep Learning Models for Glioblastoma Follow-Up MRI [1.1458853556386799]
  追従型MRIのための深層学習モデルの第1段階別横断的ベンチマークを行う。 アーキテクチャ性能がタイムポイントに依存するかどうかをテストするために,異なるポストRTスキャンを独立に解析する。 これらの結果は、時系列モデリング、マルチシーケンスMRI、より大規模なマルチセンターコホートを組み込んだステージアウェア・ベンチマークを確立し、今後の研究を動機付けている。
  論文  参考訳（メタデータ） (2025-11-23T19:38:03Z)
• 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)
• MMedAgent-RL: Optimizing Multi-Agent Collaboration for Multimodal Medical Reasoning [63.63542462400175]
  医療エージェント間の動的に最適化された協調を可能にする強化学習に基づくマルチエージェントフレームワークMMedAgent-RLを提案する。 具体的には、Qwen2.5-VLに基づく2つのGPエージェントをRLを介して訓練する: トリアージ医師は患者を適切な専門分野に割り当てることを学ぶ一方、主治医はマルチスペシャリストの判断を統合する。 5つのVQAベンチマークの実験では、MMedAgent-RLはオープンソースおよびプロプライエタリなMed-LVLMよりも優れており、人間のような推論パターンも示している。
  論文  参考訳（メタデータ） (2025-05-31T13:22:55Z)

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。