Sihang Zeng氏ら研究チームは2026年6月2日(現地時間)、肺がん早期発見のための患者軌跡モデリングに特化した自己進化型マルチエージェントシステム「Traj-Evolve」に関する論文をarXiv cs.AIで発表した。このシステムは、疎でノイズが多く、長文脈のマルチモーダルな電子健康記録 (EHRs) から患者軌跡を推論する際の課題解決を目指す。既存のLLMベースのマルチエージェントシステムが患者を個別に処理するのに対し、Traj-Evolveは類似する過去の症例からの経験を活用する臨床医の働き方を模倣する。
Traj-Evolveは二つの相補的な進化メカニズムを特徴としている。一つ目は、非パラメトリックメモリとして機能するExperience Pool (ExPool) で、拒否サンプリングされた推論トレースをインデックス化し、類似患者をfew-shot contextsとして取得する。二つ目は、報酬ランク付けされたファインチューニングを介したマルチエージェント強化学習 (MARL) で、エージェント間およびエージェントとメモリの連携をパラメトリックに最適化する。
leave-one-out cross-retrieval strategyはこれら二つのメカニズムを統合し、検索拡張下でのトレーニング時および推論時の挙動を調整する。最長5年間のマルチモーダルEHRsを用いた肺がん予測タスクにおいて、Traj-Evolveは全体集団および喫煙経験のない非喫煙者集団の両方で、9つの強力なベースラインを上回る性能を示した。
進化ダイナミクスの分析により、三つの主要な発見が明らかになった。第一に、ExPoolを拡張すると、最適な検索が多様なサンプルから特定のサンプルへと移行する。第二に、MARLの下では、マネージャーエージェントの予測損失は迅速に収束する一方、ワーカーエージェントの時系列推論は検証済み患者の増加から引き続き恩恵を受ける。第三に、ExPoolが特異性を向上させ、MARLが感度を向上させることで、両メカニズムは予測リスクに関して相補的に機能する。
参考: arXiv cs.AI — 2026年6月3日 13:00 (JST)
原文ハイライト"Traj-Evolve, a self-evolving multi-agent system with two complementary evolving mechanisms."