論文の概要: RadOnc-Agent: An LLM-Orchestrated Framework for AI Workflows Across the Radiotherapy Care Pathway
- arxiv url: http://arxiv.org/abs/2610.06923v1
- Date: Fri, 02 Oct 2026 22:39:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.467357
- Title: RadOnc-Agent: An LLM-Orchestrated Framework for AI Workflows Across the Radiotherapy Care Pathway
- Title（参考訳）: RadOnc-Agent: 放射線治療ケアパス全体にわたるAIワークフローのためのLLMオーケストレーションフレームワーク
- Abstract要約: RadOnc-Agentは放射線療法を4つの臨床段階に形式化し、会話インターフェースを通じて26の呼び出し可能な機能を提供している。
大規模言語モデルコントローラは、スキーマ制約された呼び出しに臨床意図をマッピングし、患者とワークフローのコンテキストを保存し、リクエストを専門サービスにルーティングする。
- 参考スコア（独自算出の注目度）: 17.55972986890815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence has advanced individual radiotherapy tasks, yet these capabilities remain separated across clinical stages, software environments and data modalities. This fragmentation contrasts with the longitudinal radiotherapy workflow from treatment decision-making through follow-up. Here we present RadOnc-Agent, an agentic artificial-intelligence framework that formalizes radiotherapy into four clinical phases and provides 26 callable functions through a conversational interface. A large-language-model controller maps clinical intent to schema-constrained calls, preserves patient and workflow context, and routes requests to specialist services. We evaluated system execution using 2,600 single-function requests (7,800 repeat executions), 200 prespecified synthetic cross-stage scenarios spanning four phases (600 executions), and 120 workflow instances from 60 de-identified patient records (360 clean executions) representing decision-to-planning and planning-to-adaptation. RadOnc-Agent selected the intended function in 98.79% of single-function executions, completed 96.50% of scripted cross-stage workflows, and completed 96.67% of real-patient workflow executions. In comparative ablations, removing longitudinal state reduced cross-stage completion from 96.50% to 84.00%, while disabling schema and identity validation increased mismatched backend dispatch from 0% to 95.28% in a replay/test evaluation. These findings establish the technical feasibility of an LLM-orchestrated architecture for coordinating heterogeneous radiotherapy capabilities and information across longitudinal workflows; they do not establish clinical correctness, clinical utility or prospective benefit.
- Abstract（参考訳）: 人工知能は、個々の放射線治療タスクを進歩させてきたが、これらの能力は、臨床段階、ソフトウェア環境、データモダリティに分かれている。
この断片化は、治療決定からフォローアップまでの縦断的放射線治療のワークフローとは対照的である。
本稿では,RadOnc-Agentについて述べる。RadOnc-Agentは放射線治療を4つの臨床段階に形式化し,対話インタフェースを通じて26の呼び出し可能な機能を提供するエージェント人工知能フレームワークである。
大規模言語モデルコントローラは、スキーマ制約された呼び出しに臨床意図をマッピングし、患者とワークフローのコンテキストを保存し、リクエストを専門サービスにルーティングする。
2,600件の単一機能要求(7,800件の繰り返し実行)と4段階(600件の実施)にまたがる200件の所定の合成クロスステージシナリオ,60件の未確認患者記録(360件のクリーン実行)から120件のワークフローインスタンスを用いてシステム実行を評価した。
RadOnc-Agentは、単一機能の実行の98.79%、スクリプト化されたクロスステージワークフローの96.50%、実際の患者のワークフローの実行の96.67%を完了した。
比較アブリゲーションでは、縦方向の状態の除去により、クロスステージ完了が96.50%から84.00%に減少し、スキーマとアイデンティティ検証の無効化により、リプレイ/テストの評価において、不正なバックエンドディスパッチが0%から95.28%に増加した。
これらの知見は, 臨床正当性, 臨床的有用性, 将来的な利益の確立をめざして, 不均一な放射線治療能力と経時的ワークフローにまたがる情報を調整するための, LLM-orchestrated アーキテクチャの技術的実現可能性を確立するものである。
関連論文リスト
- ResidencyRL: Reinforcement Learning in Simulated Clinical Environments [53.76751756107077]
臨床人工知能(AI)エージェントを模擬多ターン臨床で訓練するための強化学習(RL)手法であるResidencyRLを提案する。
ホールドアウト評価では、ResidencyRLエージェントは、対向条件下で診断精度を7.0%向上させる。
盲目の専門医はこれらの利得を検証し、訓練されたエージェントをサイドバイサイド比較の87.6%で好んだ。
論文 参考訳（メタデータ） (2026-08-07T17:04:41Z) - Evidence-Grounded AI for Musculoskeletal Care [106.59121478639402]
OrthoPilotは、大規模言語モデル(LLM)を利用した臨床人工知能システムである。
病院のデータストリームと、継続的な筋骨格ケアのための権威的な外部知識を統合する。
81人の整形外科医に対するフルパスウェイ・リーダーによる研究で、OrthoPilotは25年の経験を持つ専門家よりも優れていた。
論文 参考訳（メタデータ） (2026-07-14T09:03:26Z) - 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) - PhysicianBench: Evaluating LLM Agents in Real-World EHR Environments [5.310457397170786]
既存の医療エージェントベンチマークは、主に静的な知識のリコール、単一ステップのアトミックアクション、環境に対する実行を検証せずにアクションインテントに焦点を当てている。
PhysicianBenchは、プライマリケアと医師の実際のケースから適応した100のロングホライゾンタスクで構成されている。
各タスクは構造化されたチェックポイント(ベンチマーク全体で合計670)に分解される。
最高のパフォーマンスモデルはわずか46%の成功率(pass@1)であり、オープンソースモデルは19%に達する。
論文 参考訳（メタデータ） (2026-05-04T05:32:25Z) - ALMo: Interactive Aim-Limit-Defined, Multi-Objective System for Personalized High-Dose-Rate Brachytherapy Treatment Planning and Visualization for Cervical Cancer [38.24269895136321]
本稿では, ALMo (Aim-Limit-Defined Multi-Objective System) を提案する。
ALMoは、手作業による計画品質を一貫して満たまたは超過した治療計画を生成し、65%のケースでドシメトリックな改善を示している。
論文 参考訳（メタデータ） (2026-02-14T08:24:38Z) - A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。
本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
論文 参考訳（メタデータ） (2025-12-23T13:26:13Z) - Generalist Foundation Models Are Not Clinical Enough for Hospital Operations [29.539795338917983]
我々は、NYU Langone HealthのEHRsと627Bのトークンから80Bのクリニカルトークンを混合した専用コーパスで事前訓練されたモデル群であるLang1を紹介する。
実世界の環境でLang1を厳格に評価するために、668,331 EHRの指標であるRealistic Medical Evaluation (ReMedE)を開発した。
ラング1-1Bは70倍、0ショットモデルが671倍、AUROCが3.64%-6.75%、1.66%-23.6%向上した。
論文 参考訳（メタデータ） (2025-11-17T18:52:22Z) - 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) - 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)
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。