종단적 전자 건강 기록(EHR, Electronic Health Record)에서 환자 경로를 모델링해 폐암을 조기에 발견하는 자기진화 멀티에이전트 시스템 Traj-Evolve가 arXiv에 발표됐다. 기존 LLM(대규모 언어 모델) 기반 멀티에이전트 시스템은 긴 컨텍스트를 처리하는 데는 적합하지만, 각 환자를 독립적으로 다루어 임상의가 유사 사례 경험을 축적하는 방식을 반영하지 못하는 한계가 있었다. Traj-Evolve는 이 문제를 두 가지 진화 메커니즘으로 해결한다.
첫 번째 메커니즘은 경험 풀(ExPool)로, 비파라메트릭 메모리 역할을 한다. ExPool은 기각 샘플링된 추론 흔적을 인덱싱해 유사한 환자 사례를 퓨샷 컨텍스트로 검색할 수 있게 한다. 두 번째는 보상 순위 기반 파인튜닝을 통한 다중 에이전트 강화학습(MARL)으로, 에이전트 간 협업과 에이전트-메모리 간 협업을 파라메트릭하게 최적화한다. 연구진이 설계한 리브아웃 교차 검색 전략은 두 메커니즘을 통합하여 훈련과 추론 시점의 행동을 정렬한다.
실험은 최장 5년간의 멀티모달 EHR을 활용한 폐암 예측 과제에서 수행됐으며, 전체 환자 집단과 비흡연자 집단 모두에서 9개 기준선 모델을 모두 능가했다. 진화 역학 분석에서는 세 가지 핵심 발견이 도출됐다. ExPool이 확장될수록 최적 검색 방식이 다양성 기반에서 특이성 기반으로 전환된다는 점, MARL에서 관리자 에이전트의 예측 손실은 빠르게 수렴하는 반면 작업자 에이전트의 시간적 추론은 더 많은 검증 환자로부터 지속적으로 이득을 얻는다는 점, 두 메커니즘이 상호 보완적이라는 점이다. ExPool은 특이도를, MARL은 민감도를 향상시키는 것으로 나타났다.
이 연구는 AI 의료 분야에서 EHR 기반 폐암 예측의 정확도와 일반화 능력을 높이는 새로운 접근법을 제시한다는 점에서 임상적 함의를 가진다. 폐암은 세계적으로 가장 높은 사망률을 보이는 암 중 하나로, 조기 발견이 예후에 결정적인 영향을 미친다. 자기진화 메커니즘을 통해 학습 과정에서 누적되는 환자 경험을 동적으로 활용하는 이 방식은 임상 실무에서 의사가 경험을 쌓아가는 방식과 유사하다는 점에서 주목된다.
