심장 영상 표현형 (imaging phenotypes)과 임상 질환 사이의 견고한 연관성을 식별하는 것은 인구 규모의 심혈관 연구 및 신뢰할 수 있는 위험 계층화 (risk stratification)에 필수적입니다. 그러나 현재의 표현형 전장 연관성 연구 (PheWAS, Phenome-wide association studies)는 미리 정의된 단일 변수 표현형이나 전문가가 제작한 특징 (features)에 의존하고 있으며, 이는 임상적으로 의미 있는 비선형 효과 (non-linear effects) 및 표현형 간 상호작용 (cross-phenotype interactions)을 포착하는 능력을 제한합니다. 이를 해결하기 위해, 우리는 기초 영상 특징으로부터 해석 가능한 복합 표현형 (composite phenotypes, 예: 다항식, 비율 및 상호작용 형태)을 자동으로 구축하고 검증하는 심혈관 표현형 전장 연관성 연구 (PheWAS)를 위한 반복적 표현형 구성 (phenotype-Composition) 프레임워크인 CPAgents를 제안합니다. 구체적으로, 우리 시스템은 세 가지 에이전트를 조정합니다: (i) 통계적 병리 (statistical pathologies)를 식별하고 후보 변환을 지명하는 분석가 (Analyst), (ii) 수치적 안전 규칙 하에 의학적 및 통계적으로 동기 부여된 제약된 식을 생성하는 제안자 (Proposer), (iii) 다단계 기준을 사용하여 후보를 평가하고 수락된 표현형에 대해 투명한 증거 추적 (evidence trails)을 생성하는 검증자 (Verifier)입니다. 인구 규모의 심장 영상 코호트에서 평가한 결과, 발견된 복합 표현형은 질환 판별력을 현저히 향상시켰습니다: 72개의 분류기-질환-지표 조합 전체에서, 우리 모델의 변형들은 베이스라인의 18건 대비 56건의 사례에서 1위를 차지했으며, 9개의 모든 임상 질환 범주에서 성능 향상이 관찰되었습니다. 우리의 프레임워크는 투명한 증거 추적을 갖춘 간결하고 임상적으로 해석 가능한 표현형 공식을 산출하며, 전문가 주도의 특징 선택을 넘어 더 강력한 표현형-질환 연관성을 확장 가능한 방식으로 발견할 수 있게 합니다.