論文の概要: A Machine-to-Machine Knowledge-Guided LLM Agent for Generalizable Radiotherapy Treatment Planning

• arxiv url: http://arxiv.org/abs/2606.00922v1
• Date: Sat, 30 May 2026 23:14:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.978263
• Title: A Machine-to-Machine Knowledge-Guided LLM Agent for Generalizable Radiotherapy Treatment Planning
• Title（参考訳）: 汎用放射線治療計画のための機械・機械知識誘導LDMエージェント
• Abstract要約: 本研究では,自動放射線治療計画のためのM2M(M2M)知識誘導大言語モデル(LLM)のプロトタイプを提案する。 テーマは「治療計画」。 深層強化学習(DRL)エージェントによって発見されたモデル(TPP)分布の知識をエージェントに転送する。 LLMエージェントはコンテキスト内学習を通じて、人間の介入なしに自律的な反復計画を可能にする。
• 参考スコア（独自算出の注目度）: 1.1928873764689458
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this work, we propose a prototype machine-to-machine (M2M) knowledge-guided Large Language Model (LLM) framework for automated radiotherapy treatment planning. In the proposed paradigm, Treatment Planning Parameter (TPP) distribution knowledge discovered by a Deep Reinforcement Learning (DRL) agent is transferred to an LLM agent through in-context learning, enabling autonomous iterative planning without human intervention. While standard LLM-based planning often lacks physical intuition and struggles with convergence, the integration of DRL-derived guidance constrains the agent to a physically valid parameter space. Experimental evaluations are performed across three diverse planning scenarios: basic prostate cases, complex prostate configurations with increased organ-at-risk (OAR) constraints, and liver cases. The evaluation results demonstrate that the guided LLM agent consistently achieves optimal planning scores while significantly reducing the number of iterations compared to unguided planning. Analysis of the final TPP configurations reveals that the agent successfully learns a hierarchical priority of objectives, effectively restoring a logical "cause-and-effect" relationship between parameter tuning and dosimetric outcomes. Crucially, this prototype framework exhibits robust generalizability, maintaining high planning quality regardless of specific patient anatomy, treatment site, or initial plan quality. By bridging the specialized optimization of DRL with the adaptive reasoning of LLMs, this M2M framework establishes a scalable foundation towards generalizable autonomous treatment planning, ultimately benefiting clinical practice in realistic environments.
• Abstract（参考訳）: 本研究では,自動放射線治療計画のためのM2M(M2M)知識誘導大言語モデル(LLM)のプロトタイプを提案する。 提案パラダイムでは,深層強化学習(DRL)エージェントによって発見された処理計画パラメータ(TPP)分布の知識を,文脈内学習を通じてLLMエージェントに伝達し,人間の介入なしに自律的な反復計画を可能にする。 標準的なLCMベースの計画では、物理的直観や収束に苦慮することが多いが、DRLに基づくガイダンスの統合は、エージェントを物理的に有効なパラメータ空間に制限する。 基礎的前立腺症例,OAR(Organ-at-risk)制約の増大を伴う複雑な前立腺構成,肝症例の3つの異なる計画シナリオで実験的評価を行った。 評価結果から,誘導LDMエージェントは最適計画スコアを一定に達成し,無誘導計画と比較した場合の繰り返し回数を大幅に削減することを示した。 最終的なTPP構成の分析により、エージェントは目的の階層的優先度をうまく学習し、パラメータチューニングとドシメトリック結果の間の論理的「因果関係」を効果的に復元することがわかった。 重要な点として、このプロトタイプフレームワークは、患者解剖、治療部位、初期計画品質に関わらず、堅牢な一般化性を示し、高い計画品質を維持する。 DRLの特殊最適化とLLMの適応的推論を組み込むことにより、このM2Mフレームワークは、汎用的な自律的治療計画に向けたスケーラブルな基盤を確立し、最終的に現実的な環境における臨床実践の恩恵を受ける。

関連論文リスト

• Agentifying Patient Dynamics within LLMs through Interacting with Clinical World Model [57.78184285979881]
  敗血症治療推奨のための世界モデル拡張LDMエージェントであるSepsisAgentを紹介する。 SepsisAgentは、学習された臨床世界モデルを使用して、候補の流体圧薬の介入下での患者の反応をシミュレートする。
  論文  参考訳（メタデータ） (2026-05-14T11:50:00Z)
• Learning to Optimize Radiotherapy Plans via Fluence Maps Diffusion Model Generation and LSTM-based Optimization [6.904962529448256]
  ボリューム変調アーク療法(VMAT)は、現代の放射線治療の基礎となっている。 プランニングは、マルチリーフコリメータ、モニターユニット、線量パラメータの逆最適化とネスト最適化を解く。 エンドツーエンドVMAT計画のための拡散駆動型ラーニング・ツー・マッチング(L2O)手法を提案する。
  論文  参考訳（メタデータ） (2026-05-13T16:00:11Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Personalized Medication Planning via Direct Domain Modeling and LLM-Generated Heuristics [69.68947055238557]
  パーソナライズされた治療を生成するために使われる一般的なドメイン記述言語(pddlp)。 一般的な検索は、医師との密接な作業を可能にするレベルまで、医薬品計画のスケールアップに使用されていた。 その結果、カバー範囲と計画時間を大幅に改善し、医薬品の数を少なくとも28に増やし、医薬品計画が実用化に一歩近づいたことが示唆された。
  論文  参考訳（メタデータ） (2026-01-07T08:19:29Z)
• 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)
• An Iterative LLM Framework for SIBT utilizing RAG-based Adaptive Weight Optimization [11.168299220031662]
  本研究では,大規模言語モデル(LLM)によって駆動されるSIBT計画のための適応重み付け最適化フレームワークを提案する。 検索強化世代(RAG)を介して構築およびクエリされた臨床知識ベースは、モデルのドメイン固有の推論を強化する。 提案法は23例の患者に対して検証され, LLM によるアプローチが臨床承認および固定重量計画に匹敵する, あるいは超過した計画を生み出すことが示された。
  論文  参考訳（メタデータ） (2025-09-10T08:54:16Z)
• 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)
• PGPO: Enhancing Agent Reasoning via Pseudocode-style Planning Guided Preference Optimization [58.465778756331574]
  本稿では,効果的なエージェント学習のためのPGPOと呼ばれる疑似コード型計画優先最適化手法を提案する。 2つの計画指向の報酬により、PGPOは、高品質なPコードプランを生成するLLMエージェントの能力をさらに強化する。 実験により、PGPOは代表エージェントベンチマークよりも優れた性能を示し、現在のリードベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-02T09:35:07Z)
• Automating proton PBS treatment planning for head and neck cancers using policy gradient-based deep reinforcement learning [0.7519872646378836]
  本稿では,PPOアルゴリズムと線量分布に基づく報酬関数を用いた自動治療計画モデルを提案する。 実験的なルールのセットは、ターゲットのボリュームとリスクのある臓器から補助的な計画構造を作成するために使用される。 PPOを用いて訓練された意思決定ポリシーネットワークを開発し、連続的な行動空間において、関連する計画目標パラメータを反復的に調整する。
  論文  参考訳（メタデータ） (2024-09-17T22:01:56Z)
• End-to-End Breast Cancer Radiotherapy Planning via LMMs with Consistency Embedding [47.360760580820966]
  放射線腫瘍学の分野に適した包括的大規模マルチモーダルモデル(LMM)であるRO-LMMを提案する。 このモデルは臨床ワークフロー内の一連のタスクを効果的に管理し、臨床コンテキストの要約、放射線治療計画の提案、計画誘導されたターゲットボリュームセグメンテーションを含む。 クリーン入力処理の整合性を維持しつつ,LMMのノイズ入力に対する堅牢性を向上する,CEFTune(Consistency Embedding Fine-Tuning)技術を提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:49:06Z)
• 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。