LLM调度26项放疗功能，真实患者工作流完成率96.67%
RadOnc-Agent: An LLM-Orchestrated Framework for AI Workflows Across the Radiotherapy Care Pathway
📖 AI 总结
该研究提出RadOnc-Agent，一个由大语言模型编排的智能体框架，旨在解决放疗流程中AI能力分散于不同临床阶段、软件环境和数据模态的问题。框架将放疗形式化为四个临床阶段，通过对话界面提供26个可调用功能，由LLM控制器将临床意图映射为受模式约束的调用，并维护患者与工作流上下文。评估涵盖2600个单功能请求、200个跨阶段合成场景及60份去标识患者记录的120个工作流实例。结果显示，单功能执行中意图功能选择准确率达98.79%，脚本化跨阶段工作流完成率为96.50%，真实患者工作流完成率为96.67%。消融实验表明，移除纵向状态使跨阶段完成率降至84.00%，禁用模式与身份验证使后端调度错误率从0%升至95.28%。研究证明了LLM编排架构协调异构放疗能力的可行性，但未验证临床正确性与实际获益。
🔑 关键词速览
| RadOnc-Agent | 本文提出的智能体式人工智能框架，将放射治疗形式化为四个临床阶段，并通过对话界面提供 26 个可调用功能。 |
| LLM-Orchestrated Framework | 使用大型语言模型作为控制器来编排和协调多个专业服务与工具的人工智能架构。 |
| Longitudinal Workflow | 贯穿放射治疗全程的纵向工作流，涵盖从治疗决策、计划到自适应和随访的连续临床阶段。 |
| Schema-Constrained Calls | 受预定义模式约束的函数调用，确保大型语言模型输出的请求符合结构化接口规范。 |
| Ablation Study | 通过移除或禁用系统特定组件来评估其对整体性能贡献的对比实验方法。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅