在肺癌早期檢測中，從縱向電子健康記錄（EHR）中建模患者軌跡是一項關鍵任務，但面臨數據稀疏、噪聲大和長上下文多模態序列的挑戰。現有的基於大語言模型的多智能體系統通過分工處理長上下文，但往往孤立地分析每個患者，未能模仿臨牀醫生利用類似病例積累經驗的推理方式。為此，研究者提出了Traj-Evolve，一種自進化的多智能體系統，通過兩種互補的進化機制來提升建模能力。
第一個機制是經驗池（ExPool），一種非參數記憶模塊。它通過拒絕採樣存儲推理軌跡，並在推理時檢索與當前患者最相似的過往案例，作為少樣本上下文提供給智能體。這種檢索增強了系統對罕見模式的泛化能力。第二個機制是多智能體強化學習（MARL），通過獎勵排序的微調參數化地優化智能體之間以及智能體與記憶的協作。具體來説，系統包含一個管理智能體和多個工作智能體，管理智能體負責協調，工作智能體負責時間序列推理。
為了統一兩種機制，作者提出了留一法交叉檢索策略。在訓練時，每個患者被排除在ExPool之外，用其他患者訓練；在推理時則使用完整ExPool。這使得訓練和推理階段的檢索增強行為保持一致。
實驗基於長達五年的多模態EHR數據，在肺癌預測任務上評估Traj-Evolve。結果顯示，它在整體人羣和具有挑戰性的從不吸煙人羣上均超越了9個強基線模型。進一步分析揭示了三個關鍵發現：第一，隨着ExPool規模增大，最優檢索策略從多樣性檢索轉向特異性檢索；第二，在MARL訓練中，管理智能體的預測損失快速收斂，而工作智能體的時間推理能力隨着更多已驗證患者的加入持續提升；第三，兩種機制在預測風險上互補：ExPool提升特異性（減少假陽性），而MARL提升靈敏度（提高真陽性率）。
Traj-Evolve為人工智能驅動的臨牀決策支持提供了一個新的範例，展示瞭如何通過記憶和協作進化來模擬臨牀經驗積累。未來工作可探索將系統應用於其他疾病領域，並進一步優化檢索與強化學習的交互。