論文の概要: An Evidence-Driven Multi-Agent Compound AI System for Head and Neck Proton Radiotherapy Planning

• arxiv url: http://arxiv.org/abs/2610.29010v1
• Date: Wed, 21 Oct 2026 00:21:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.165977
• Title: An Evidence-Driven Multi-Agent Compound AI System for Head and Neck Proton Radiotherapy Planning
• Title（参考訳）: 頭頸部放射線治療計画のためのエビデンス駆動多エージェント複合AIシステム
• Abstract要約: 本研究は,DRLに基づく自動治療計画と,プロトンPBS治療のための会話計画改善を統合したエビデンス駆動多エージェント複合AIシステムの開発を目的とする。 PPOを用いて訓練されたポリシーネットワークは、まず、人間の介入なしに複数のプランを生成し、そこからターゲットプランとして選択され、他のプランがその後の改善のリファレンスとして機能する。 提案する複合AIシステムは、パーソナライズされたプロトンPBS治療計画への有望なアプローチを提供する、ユーザフレンドリーな計画プラットフォームを提供する。
• 参考スコア（独自算出の注目度）: 2.0765076553348316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radiation treatment planning requires balancing competing objectives to satisfy clinical criteria while accommodating physicians' preferences. This study aims to develop an evidence-driven, multi-agent compound AI system that integrates DRL-based automated treatment planning with LLM-based conversational plan refinement for proton PBS therapy. A policy network trained using PPO first generates multiple plans without human intervention, from which one is selected as the target plan and the others serve as references for subsequent refinements. For challenging cases requiring further adjustments, an LLM-based multi-agent system enables plan refinement through natural language interactions. The system comprises a planning agent that recommends evidence-supported adjustments, a chatbot providing a unified conversational interface, and an evaluation agent that retrieves clinical metrics and identifies constraint violations. To enhance domain-specific reasoning, the planning agent based on Qwen3-14B is designed to justify its recommendations using evidence from previously generated plans and post-trained on task-specific data using SFT and GRPO. The framework was trained and evaluated using 21 patients with H&N cancers, with 5 PPO-generated plans per patient. Of these, 50 plans were selected for instruction-guided refinement. Compared with the base LLM, the post-trained Qwen3-14B demonstrated improved instruction-following, information retrieval and domain-specific reasoning capabilities. The resulting adjustments more effectively improved user-prioritized objectives while limiting deterioration in competing objectives, yielding more clinically appropriate trade-offs in patient-specific plan refinement. The proposed compound AI system provides a user-friendly planning platform, offering a promising approach to personalized proton PBS treatment planning.
• Abstract（参考訳）: 放射線治療計画では、医師の好みを調節しながら臨床基準を満たすために、競合する目標のバランスをとる必要がある。 本研究の目的は,DRLをベースとした自動治療計画とLLMをベースとした対話型プラン改善を併用したエビデンス駆動多エージェント複合AIシステムの開発である。 PPOを用いて訓練されたポリシーネットワークは、まず、人間の介入なしに複数のプランを生成し、そこからターゲットプランとして選択され、他のプランがその後の改善のためのリファレンスとして機能する。 さらなる調整を必要とする課題に対して、LLMベースのマルチエージェントシステムは、自然言語インタラクションによるプラン改善を可能にする。 本システムは、エビデンス支援調整を推奨する計画エージェントと、統合された会話インターフェースを提供するチャットボットと、臨床メトリクスを検索して制約違反を識別する評価エージェントとを備える。 ドメイン固有の推論を強化するため、Qwen3-14Bに基づくプランニングエージェントは、以前生成された計画のエビデンスを用いて勧告を正当化し、SFTとGRPOを用いてタスク固有のデータに基づいて後学習するように設計されている。 対象はH&N癌21例, PPO産生5例であった。 このうち50の計画が指導誘導の改良のために選定された。 基本LLMと比較すると、訓練後のQwen3-14Bでは、命令追跡、情報検索、ドメイン固有の推論能力が改善された。 得られた調整は、競合対象の劣化を抑えつつ、ユーザ優先の目的をより効果的に改善し、患者固有の計画改善においてより臨床的に適切なトレードオフをもたらす。 提案する複合AIシステムは、パーソナライズされたプロトンPBS治療計画への有望なアプローチを提供する、ユーザフレンドリーな計画プラットフォームを提供する。

関連論文リスト

• A Machine-to-Machine Knowledge-Guided LLM Agent for Generalizable Radiotherapy Treatment Planning [1.1928873764689458]
  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。
  論文  参考訳（メタデータ） (2026-05-30T23:14:30Z)
• 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)
• 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)
• MedPlan:A Two-Stage RAG-Based System for Personalized Medical Plan Generation [21.38221785417373]
  実生活臨床医と整合する推論を構造化する新しい枠組みを導入する。 本手法では、まず患者症状と客観的データに基づいて臨床評価を作成した2段階のアーキテクチャを用いて、この評価から得られた構造化された治療計画を定式化し、検索強化世代による患者固有の情報に富む。
  論文  参考訳（メタデータ） (2025-03-23T02:03:56Z)
• 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)
• ChatSOP: An SOP-Guided MCTS Planning Framework for Controllable LLM Dialogue Agents [52.7201882529976]
  対話エージェントの制御性を高めるため,SOP誘導モンテカルロ木探索(MCTS)計画フレームワークを提案する。 これを実現するために、GPT-4oを用いた半自動ロールプレイシステムを用いて、SOPアノテーション付きマルチシナリオ対話からなるデータセットをキュレートする。 また、SOP予測のための教師付き微調整と思考の連鎖推論を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-04T12:23:02Z)
• Ask-before-Plan: Proactive Language Agents for Real-World Planning [68.08024918064503]
  プロアクティブエージェントプランニングでは、ユーザエージェントの会話とエージェント環境のインタラクションに基づいて、言語エージェントが明確化のニーズを予測する必要がある。 本稿では,明確化,実行,計画の3つのエージェントからなる新しいマルチエージェントフレームワーク,Clarification-Execution-Planning(textttCEP)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T14:07:28Z)
• 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。