論文の概要: Automated stereotactic radiosurgery planning using a human-in-the-loop reasoning large language model agent
- arxiv url: http://arxiv.org/abs/2512.20586v1
- Date: Tue, 23 Dec 2025 18:32:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-24 19:17:49.971079
- Title: Automated stereotactic radiosurgery planning using a human-in-the-loop reasoning large language model agent
- Title（参考訳）: ヒト・イン・ザ・ループ推論型大規模言語モデルエージェントを用いた定位放射線治療計画の自動化
- Authors: Humza Nusrat, Luke Francisco, Bing Luo, Hassan Bagher-Ebadian, Joshua Kim, Karen Chin-Snyder, Salim Siddiqui, Mira Shah, Eric Mellon, Mohammad Ghassemi, Anthony Doemer, Benjamin Movsas, Kundan Thind,
- Abstract要約: Gy単回放射線治療を施行した41例の脳転移例の振り返りコホートにおいて,チェーン・オブ・シント推論が薬剤的計画を改善するか否かを検討した。
推論の変種は、一次エンドポイント上の人間のプランナーと同等のプランドシメトリを示した。
- 参考スコア（独自算出の注目度）: 3.1808466401480984
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stereotactic radiosurgery (SRS) demands precise dose shaping around critical structures, yet black-box AI systems have limited clinical adoption due to opacity concerns. We tested whether chain-of-thought reasoning improves agentic planning in a retrospective cohort of 41 patients with brain metastases treated with 18 Gy single-fraction SRS. We developed SAGE (Secure Agent for Generative Dose Expertise), an LLM-based planning agent for automated SRS treatment planning. Two variants generated plans for each case: one using a non-reasoning model, one using a reasoning model. The reasoning variant showed comparable plan dosimetry relative to human planners on primary endpoints (PTV coverage, maximum dose, conformity index, gradient index; all p > 0.21) while reducing cochlear dose below human baselines (p = 0.022). When prompted to improve conformity, the reasoning model demonstrated systematic planning behaviors including prospective constraint verification (457 instances) and trade-off deliberation (609 instances), while the standard model exhibited none of these deliberative processes (0 and 7 instances, respectively). Content analysis revealed that constraint verification and causal explanation concentrated in the reasoning agent. The optimization traces serve as auditable logs, offering a path toward transparent automated planning.
- Abstract（参考訳）: SRS(Streotactic Radiosurgery)は、重要な構造の周囲に正確な線量形成を要求するが、ブラックボックスAIシステムは不透明性の懸念により臨床応用が限られている。
Gy 単屈折 SRS を用いた脳転移41例の振り返りコホートにおいて,チェーン・オブ・シント推論が薬理計画を改善するか否かを検討した。
SAGE(Secure Agent for Generative Dose Expertise)を開発した。
1つは非推論モデル、もう1つは推論モデルである。
その結果, 一次終点(PTVカバレッジ, 最大線量, 適合度指数, 勾配指数, すべてp>0。
適合性を改善するよう促された場合、予測制約検証 (457インスタンス) とトレードオフ検討 (609インスタンス) を含む体系的な計画行動を示し、標準モデルはこれらの検討プロセス (0インスタンスと7インスタンス) を全く示さなかった。
内容分析の結果,制約検証と因果説明が推論エージェントに集中していることが判明した。
最適化トレースは監査可能なログとして機能し、透過的な自動計画への道筋を提供する。
関連論文リスト
- Zero-Shot Large Language Model Agents for Fully Automated Radiotherapy Treatment Planning [14.814676057920067]
大規模言語モデル(LLM)ベースのエージェントは、強度変調放射線治療(IMRT)のための逆処理計画を立てる
エージェントの意思決定プロセスは、現在の観察と以前の最適化の試みと評価によって通知される。
本研究では、商用TPSにおける自動IMRT処理計画のためのゼロショットLLM駆動ワークフローの実現可能性を示す。
論文 参考訳（メタデータ） (2025-10-12T19:21:21Z) - Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。
症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。
臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
論文 参考訳（メタデータ） (2025-08-20T01:58:45Z) - New Insights into Automatic Treatment Planning for Cancer Radiotherapy Using Explainable Artificial Intelligence [1.8515971640245998]
本研究では,人工知能(AI)エージェントによる自動治療計画における不透明な意思決定プロセスを明らかにすることを目的とする。
本研究では,Actor-Critic with Experience Replay(ACER)ネットワークに基づくAIエージェントについて検討した。
論文 参考訳（メタデータ） (2025-08-19T19:38:16Z) - A learning-driven automatic planning framework for proton PBS treatments of H&N cancers [2.0765076553348316]
逆パラメータは、タスク固有のデータ分布から学習することで更新ステップを予測する学習最適化(L2O)手法である。
実験では、両側または同側性H&N癌に合併した97人の患者を訓練と検査のために収集した。
論文 参考訳（メタデータ） (2025-08-14T21:50:31Z) - Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。
我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。
拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
論文 参考訳（メタデータ） (2025-07-07T13:22:35Z) - Let LRMs Break Free from Overthinking via Self-Braking Tuning [68.93713497579853]
大きな推論モデル(LRM)は思考の長い連鎖を生成することによって推論能力を著しく向上させた。
この性能向上は、生成プロセス中の冗長な推論を大幅に増加させるコストが伴う。
本稿では、モデルが独自の推論プロセスを制御することを許容する観点から、過度に検討する新しいフレームワーク、Self-Braking Tuning(SBT)を提案する。
論文 参考訳（メタデータ） (2025-05-20T16:53:40Z) - Automated Identification of Failure Cases in Organ at Risk Segmentation
Using Distance Metrics: A Study on CT Data [0.19661503834671132]
オートマチック・オルガン・アット・リスク(OAR)セグメンテーションはCTスキャンにおける放射線治療計画に不可欠である。
本稿では,Dice と Hausdorff 距離の組み合わせのしきい値を設定することで,障害事例を自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2023-08-21T11:14:49Z) - OpenKBP-Opt: An international and reproducible evaluation of 76
knowledge-based planning pipelines [48.547200649819615]
放射線治療における知識ベース計画(KBP)のための計画最適化モデルを開発するためのオープンフレームワークを構築した。
当フレームワークは, 頭頸部癌100例の基準計画と, 19KBPモデルによる高用量予測を含む。
論文 参考訳（メタデータ） (2022-02-16T19:18:42Z) - Resource Planning for Hospitals Under Special Consideration of the
COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。
BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。
BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
論文 参考訳（メタデータ） (2021-05-16T12:38:35Z) - A feasibility study of a hyperparameter tuning approach to automated
inverse planning in radiotherapy [68.8204255655161]
本研究の目的は,計画品質を保ちながら,逆計画プロセスを自動化し,積極的な計画時間を短縮することである。
本研究では, 線量パラメータの選択, ランダムおよびベイズ探索法, ユーティリティ関数形式が計画時間と計画品質に及ぼす影響について検討した。
100個のサンプルを用いて良好な計画品質が得られ、平均計画時間は2.3時間であった。
論文 参考訳（メタデータ） (2021-05-14T18:37:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。