論文の概要: An Agentic Generative Large Language Model for Treatment Planning of Colorectal Cancer
- arxiv url: http://arxiv.org/abs/2608.09142v1
- Date: Mon, 10 Aug 2026 05:42:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.095448
- Title: An Agentic Generative Large Language Model for Treatment Planning of Colorectal Cancer
- Title（参考訳）: 大腸癌治療計画のためのエージェント生成大言語モデル
- Abstract要約: 大規模言語モデル (LLM) は多くの診断タスクにおいて有望であるが, 複雑な推論によって, 高度な治療計画への採用が妨げられている。
大腸癌(CRC)治療計画のための薬剤的LLMであるGatorOncoを報告する。
プレトレーニング,モデルマージ,2段階のポストトレーニングアプローチ,エージェントベース強化学習を統合したドメイン適応手法を実装した。
- 参考スコア（独自算出の注目度）: 27.52451737115757
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Treatment planning in precision oncology requires synthesizing heterogeneous patient information with rapidly evolving clinical guidelines to ensure guideline-concordant care. While large language models (LLMs) show promise in many diagnostic tasks, their adoption for high-stakes treatment planning is hindered by complex reasoning, adherence to timely clinical guidelines, and safety concerns. In this study, we present GatorOnco, an agentic LLM for colorectal cancer (CRC) treatment planning. GatorOnco is developed using a total of 282 billion tokens of biomedical text, including healthcare system-scale clinical text comprising 166 billion tokens from UF Health. We implemented a domain-adaptation method that integrates pre-training, model merging, a two-stage post-training approach, and agent-based reinforcement learning. An agentic retrieval-augmented generation (RAG) approach dynamically integrates time-sensitive clinical guidelines into the reasoning process. In a blind, randomized clinical evaluation conducted by five UF Health oncologists, GatorOnco significantly outperformed open-source LLMs (P < 0.01) and achieved expert-level performance comparable to UF Health oncologists. Compared with expert oncologists, GatorOnco received significantly higher ratings for readability (4.46 vs. 4.19, P < 0.01) and completeness (3.91 vs. 3.52, P < 0.01), while showing statistically comparable performance in correctness (4.09 vs. 4.11, P = 0.921), currency (4.04 vs. 3.98, P = 0.478), and safety (4.22 vs. 4.22, P = 0.999). These findings demonstrate that integrating agentic reasoning with large-scale domain adaptation can help bridge the gap for generative AI in high-stakes cancer treatment planning.
- Abstract（参考訳）: 精密腫瘍学における治療計画には、ガイドラインに適合するケアを確保するために、異種患者情報を急速に発展する臨床ガイドラインで合成する必要がある。
大規模言語モデル (LLM) は多くの診断タスクにおいて有望であるが, 高度治療計画への採用は複雑な推論, タイムリーな臨床ガイドラインの遵守, 安全上の懸念によって妨げられている。
本稿では,大腸癌(CRC)治療計画のためのエージェントLLMであるGatorOncoについて紹介する。
GatorOncoは、UF Healthの1660億トークンからなる医療システム規模の臨床テキストを含む、合計2820億のバイオメディカルテキストを使用して開発されている。
プレトレーニング,モデルマージ,2段階のポストトレーニングアプローチ,エージェントベース強化学習を統合したドメイン適応手法を実装した。
エージェント検索増強世代(RAG)アプローチは、動的に時間に敏感な臨床ガイドラインを推論プロセスに統合する。
5人のUF Health oncologistが行った盲目無作為臨床評価では、GatorOncoはオープンソースLLM(P < 0.01)を著しく上回り、UF Health oncologistに匹敵する専門家レベルのパフォーマンスを達成した。
専門家の腫瘍学者と比較すると、GatorOncoは可読性(4.46 vs. 4.19, P < 0.01)と完全性(3.91 vs. 3.52, P < 0.01)が著しく高く、正確性(4.09 vs. 4.11, P = 0.921)、通貨(4.04 vs. 3.98, P = 0.478)、安全性(4.22 vs. 4.22, P = 0.999)が統計的に比較できる。
これらの結果から,エージェント推論と大規模ドメイン適応の統合は,高用量がん治療計画における生成AIのギャップを埋める上で有効であることが示唆された。
関連論文リスト
- An AI agent for treatment reasoning over a biomedical tool universe [35.05540785374698]
1939年以降、FDAが承認した全ての薬物を治療するAIエージェントであるAtheNA-R1を紹介する。
AtheNA-R1は、212のバイオメディカルツールの宇宙上で強化学習によって訓練されている。
治療薬理学では94.7%、治療薬理学では82.9%に達する。
論文 参考訳（メタデータ） (2026-06-27T02:24:56Z) - TxBench-PP: Analyzing AI Agent Performance on Small-Molecule Preclinical Pharmacology [0.0]
人工知能(AI)エージェントは、解釈と意思決定ループを圧縮することで、薬物発見を加速することを約束する。
TherapeuticsBench Preclinical Phharmacology (TxBench-PP) を紹介する。
TxBench-PPは、エージェントが文献から記憶された事実ではなく、実世界のアッセイデータから正確な結論を回復できるかどうかをテストする。
論文 参考訳（メタデータ） (2026-06-17T16:23:45Z) - Evaluating Large Language Models in Dynamic Clinical Decision-Making with Standardized Patient Cases [71.12461204050985]
MedSP1000 (MedSP1000) は、SP由来の臨床エージェント評価のための対話型ベンチマークである。
ピアレビューされたSPの授業ケースを、定義されたSPケーススクリプト、臨床環境コンテキスト、人為的な構造化ルーブリックで実行可能なシナリオに変換する。
MedSP1000を多種多様な汎用および医療用LLMに適用すると、静的ベンチマークの性能がそのような教育シナリオに確実に変換されないことが分かる。
論文 参考訳（メタデータ） (2026-06-03T17:17:16Z) - Eliciting Medical Reasoning with Knowledge-enhanced Data Synthesis: A Semi-Supervised Reinforcement Learning Approach [62.0906177191353]
既存のアプローチでは、教師付き微調整を経て、大規模プロプライエタリモデルからの連鎖推論トレースを蒸留し、強化学習(RL)を実施している。
MedSSRは,医療知識を付加したデータ合成と半教師付き強化学習フレームワークである。
本フレームワークはまず, 分布制御可能な推論質問を合成するために, 稀な疾患知識を利用する。
次に、ポリシーモデル自体を利用して高品質な擬似ラベルを生成する。これにより、擬似ラベルデータ上での自己教師型RLと、人間の注釈付き実データ上での教師型RLの2段階固有の訓練パラダイムが実現される。
論文 参考訳（メタデータ） (2026-04-13T14:37:38Z) - Clinical Reasoning AI for Oncology Treatment Planning: A Multi-Specialty Case-Based Evaluation [0.7695487047291749]
アメリカのがん治療の80%以上が地域社会で行われている。
臨床医はゲノム学、ステージング、病理学、ガイドラインの変更を統合し、認知的負担を生み出す必要がある。
腫瘍治療計画作成のためのAI臨床推論プラットフォームであるOncoBrainについて検討した。
論文 参考訳（メタデータ） (2026-03-27T00:26:05Z) - 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) - CLIN-LLM: A Safety-Constrained Hybrid Framework for Clinical Diagnosis and Treatment Generation [0.31984926651189866]
LLM(Large Language Model)ベースのシステムは、しばしば医学的な根拠がなく、不確実性を定量化できない。
CLIN-LLMは,マルチモーダル患者エンコーディング,不確実性校正疾患分類,検索・拡張治療生成を統合した安全拘束型ハイブリッドパイプラインである。
論文 参考訳（メタデータ） (2025-10-26T10:11:53Z) - DispatchMAS: Fusing taxonomy and artificial intelligence agents for emergency medical services [49.70819009392778]
大規模言語モデル (LLM) とマルチエージェントシステム (MAS) は、ディスパッチを増強する機会を提供する。
本研究の目的は,現実的なシナリオをシミュレートする分類基盤型マルチエージェントシステムの開発と評価である。
論文 参考訳（メタデータ） (2025-10-24T08:01:21Z) - 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) - How Well Can Modern LLMs Act as Agent Cores in Radiology Environments? [54.36730060680139]
RadA-BenchPlatは、放射線学環境での大規模言語モデル(LLM)のパフォーマンスをベンチマークする評価プラットフォームである。
また、エージェント駆動型タスク解決ツールの10のカテゴリを定義し、7つの主要なLCMを評価している。
論文 参考訳（メタデータ） (2024-12-12T18:20:16Z) - QuaLLM-Health: An Adaptation of an LLM-Based Framework for Quantitative Data Extraction from Online Health Discussions [30.089810404792]
本報告では,QuaLLMからQuaLLM-Healthに適応したフレームワークを用いて,非構造化テキストから臨床的に関連のある定量的データを抽出する。
2024年7月にReddit APIを使って5つのGLP-1関連コミュニティから410万の投稿とコメントを収集しました。
フレームワークを完全なデータセットに適用することで、下流分析に必要な変数の効率的な抽出が可能になった。
論文 参考訳（メタデータ） (2024-11-27T00:52:21Z)
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。