CoMMa: 게임 이론적 관점에서 본 기여도 기반 의료 멀티 에이전트

CoMMa: Contribution-Aware Medical Multi-Agents From A Game-Theoretic Perspective

최근의 멀티 에이전트 프레임워크는 동적이고 이질적인 환자 데이터를 기반으로 추론해야 하는 암 치료 결정 지원 과제 해결 능력을 향상시켰습니다. 본 연구에서는 기여도 기반 의료 멀티 에이전트(CoMMa)를 제안합니다. CoMMa는 분산된 LLM 에이전트 프레임워크로, 각 전문의가 분할된 증거 데이터를 처리하고 게임 이론적 목표를 통해 조정하여 안정적인 의사 결정을 내립니다. 대부분의 에이전트 아키텍처가 확률적 내러티브 기반 추론에 의존하는 것과 달리, CoMMa는 결정론적 임베딩 투영을 사용하여 기여도 기반의 기여도 할당을 근사화합니다. 이를 통해 각 에이전트의 한계 효용을 추정하여 명시적인 증거 귀속을 제공하며, 해석 가능하고 수학적으로 타당한 의사 결정 경로를 구현하여 안정성을 향상시킵니다. 다양한 암 관련 벤치마크, 특히 실제 다학제 종양 보드 데이터 세트에 대한 평가 결과, CoMMa는 데이터 중심 및 역할 기반 멀티 에이전트의 기준 모델보다 높은 정확도와 더 안정적인 성능을 달성했습니다.

Recent multi-agent frameworks have broadened the ability to tackle oncology decision support tasks that require reasoning over dynamic, heterogeneous patient data. We propose Contribution-Aware Medical Multi-Agents (CoMMa), a decentralized LLM-agent framework in which specialists operate on partitioned evidence and coordinate through a game-theoretic objective for robust decision-making. In contrast to most agent architectures relying on stochastic narrative-based reasoning, CoMMa utilizes deterministic embedding projections to approximate contribution-aware credit assignment. This yields explicit evidence attribution by estimating each agent's marginal utility, producing interpretable and mathematically grounded decision pathways with improved stability. Evaluated on diverse oncology benchmarks, including a real-world multidisciplinary tumor board dataset, CoMMa achieves higher accuracy and more stable performance than data-centralized and role-based multi-agents baselines.