論文の概要: OpenGray: a benchmark for evaluating the decisions of radiotherapy planning agents

• arxiv url: http://arxiv.org/abs/2610.37081v1
• Date: Tue, 27 Oct 2026 11:42:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.578881
• Title: OpenGray: a benchmark for evaluating the decisions of radiotherapy planning agents
• Title（参考訳）: OpenGray:放射線治療計画エージェントの決定を評価するためのベンチマーク
• Abstract要約: 大規模言語モデル(LLM)に基づく計画エージェントは、計画の提出時期や要求レビューを決定するが、主に用量によって評価される。 この研究は、既知の正しい決定を伴う計画タスクのベンチマークであるOpenGrayを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background and purpose: Radiotherapy planning agents based on large language models (LLMs) decide when to submit a plan or request review but are evaluated mainly by dose. This study developed OpenGray, a benchmark of planning tasks with known correct decisions. Materials and methods: OpenGray adds tasks with known answers to the OpenKBP-Opt head-and-neck dataset, including two contradictions with dose goals proven incompatible and a feasible control with a stored plan meeting every hard goal. Four systems, from a rule-based planning script to a full LLM agent, were evaluated on 30 patients, the LLM-based ones with a commercial (Terra) and a local (Ministral 3 8B) LLM. Decisions, achieved dose, problem recognition, and technical failures were recorded and also read from logs of 39 stereotactic radiosurgery runs of SAGE, a clinical LLM agent. Results: With Terra, the script preceded by an LLM review and the full agent had decision accuracies of 95.4% and 92.1%, respectively, yet escalated only 50% (95% confidence interval, 25-75%) and 25% (10-40%) of overlap contradictions, which required arithmetic on the anatomy. All four systems submitted every feasible control, but 24% of these plans missed a hard goal that the stored plan had met. In four SAGE runs, one goal failed at every attempt; the agent identified it in every reply but had no action for stopping. Conclusions: Favorable aggregate scores concealed specific decision failures. Planning agents should be evaluated on their decisions as well as their dose and given an explicit action for stopping and requesting review.
• Abstract（参考訳）: 背景と目的: 大型言語モデル(LLM)に基づく放射線治療計画エージェントは、いつプランを提出するかを判断するが、主に用量によって評価される。 この研究は、既知の正しい決定を伴う計画タスクのベンチマークであるOpenGrayを開発した。 資料と方法: OpenGrayはOpenKBP-Optのヘッド・アンド・ネックデータセットに既知の回答を持つタスクを追加する。 ルールベースプランニングスクリプトからフルLLMエージェントまでの4つのシステムを,商用(Terra)とローカル(Ministral 3 8B)LLM(Ministral 3 8B)の30例で評価した。 臨床用LDM剤SAGEの39回の定位放射線治療の成績から, 判定, 用量, 問題認識, 技術的故障が記録された。 結果:Terraでは、LCMレビューに先行するスクリプトと全エージェントがそれぞれ95.4%と92.1%の判定精度を持っていたが、矛盾の50%(95%の信頼区間、25-75%)と25%(10-40%)しか増加せず、解剖学の算術を必要とした。 4つのシステム全てが実現可能なすべての制御を提出したが、これらの計画の24%は、格納された計画が満たした厳しい目標を逃した。 4回のSAGE実行では、すべての試みで1つのゴールが失敗した。 結論: 望ましい集計スコアは、特定の決定失敗を隠蔽する。 プランニングエージェントは、その決定と使用量に基づいて評価され、レビューの停止と要求を明示的なアクションを与えられるべきである。

関連論文リスト

• What Makes a Social Agent's Interactions Effective? Learning from Verifiable Outcomes in Paired Worlds [58.91174911393378]
  HICO-Benchは180の日常的な調整シナリオのベンチマークである。 2人のエージェントが会話し、その後独立して合意した計画を記録しました。 プログラムは実行可能性をチェックし、両方の参加者のプライベートな条件を満たす。
  論文  参考訳（メタデータ） (2026-10-14T13:44:30Z)
• 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)
• Automated stereotactic radiosurgery planning using a human-in-the-loop reasoning large language model agent [3.1808466401480984]
  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。
  論文  参考訳（メタデータ） (2025-12-23T18:32:17Z)
• An Automated Retrieval-Augmented Generation LLaMA-4 109B-based System for Evaluating Radiotherapy Treatment Plans [2.2532577733932038]
  我々は,LLaMA-4 109Bを用いた放射線治療計画の自動化,プロトコル認識,解釈可能な評価のためのRAGシステムを開発した。 RAGシステムは5つのSentenceTransformerバックボーンに最適化された検索エンジン、コホート類似性に基づくパーセンタイル予測コンポーネント、臨床制約チェッカーの3つのコアモジュールを統合している。
  論文  参考訳（メタデータ） (2025-09-25T03:18:31Z)
• From Scores to Steps: Diagnosing and Improving LLM Performance in Evidence-Based Medical Calculations [45.414878840652115]
  大規模言語モデル(LLM)は医療ベンチマークで有望な性能を示した。 しかし、医学的な計算を行う能力は未熟であり、評価も不十分である。 本研究は,臨床信頼性を重視した医療計算評価を再考する。
  論文  参考訳（メタデータ） (2025-09-20T09:10:26Z)
• Tracing LLM Reasoning Processes with Strategic Games: A Framework for Planning, Revision, and Resource-Constrained Decision Making [38.75183725659772]
  大規模言語モデル(LLM)は、複雑な推論を必要とするタスクにますます使われている。 モデル動作の理解と信頼性向上には,内部プロセスの測定が不可欠である,と我々は主張する。 計画,修正,資源制約のある意思決定という3つの中核的な側面に沿ってLCMを評価する枠組みを導入する。
  論文  参考訳（メタデータ） (2025-06-13T17:59:10Z)
• Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
  MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。 本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。 このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
  論文  参考訳（メタデータ） (2025-03-06T18:35:39Z)
• 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。