RadOnc-Agent：AI框架革新放射治疗全流程管理

摘要：RadOnc-Agent是一款基于大语言模型（LLM）的AI框架，旨在通过对话式接口整合放射治疗的临床阶段、软件环境和数据模式。该框架将放射治疗流程划分为四个临床阶段，并提供26个可调用的功能模块。通过对2600个单功能请求、200个跨阶段合成场景和120个真实患者工作流实例的评估，RadOnc-Agent在单功能选择、跨阶段工作流完成和真实患者工作流执行方面表现出色，准确率分别达到98.79%、96.50%和96.67%。研究结果表明，LLM驱动的架构在协调异构放射治疗能力和信息方面具有技术可行性，但尚未验证其临床正确性、实用性和潜在益处。

---

核心突破

• 放射治疗AI框架创新：RadOnc-Agent通过对话式接口整合放射治疗的临床阶段、软件环境和数据模式，将复杂的治疗流程简化为四个阶段，并提供26个可调用的功能模块。
• 多模态数据处理：该框架能够处理不同来源和格式的数据，确保信息在各个治疗阶段的无缝流动。
• 高效的任务执行：在2600个单功能请求、200个跨阶段合成场景和120个真实患者工作流实例的测试中，RadOnc-Agent表现出色，单功能选择准确率为98.79%，跨阶段工作流完成率为96.50%，真实患者工作流执行率为96.67%。

技术亮点

1. LLM驱动的架构：利用大语言模型作为控制器，将临床意图映射到模式约束的调用中，并保留患者和工作流上下文。
2. 模块化设计：将放射治疗流程划分为四个临床阶段，每个阶段包含多个可调用的功能模块，便于灵活配置和扩展。
3. 跨阶段工作流管理：通过保留纵向状态，RadOnc-Agent能够高效地完成跨阶段工作流，减少信息丢失和错误。

行业影响

• 提升放射治疗效率：RadOnc-Agent有望简化放射治疗流程，提高治疗效率和质量。
• 促进AI在医疗领域的应用：该框架展示了AI在复杂医疗任务中的潜力，为其他医疗领域的AI应用提供了参考。
• 推动AI与医疗的深度融合：通过整合多模态数据和跨阶段工作流，RadOnc-Agent为AI与医疗的深度融合提供了新的思路。

开发者建议

• 关注临床验证：尽管RadOnc-Agent在技术可行性方面表现出色，但开发者应关注其在临床环境中的验证和优化。
• 探索多模态数据处理：开发者可以利用RadOnc-Agent的多模态数据处理能力，探索AI在医疗数据整合和分析中的应用。
• 扩展功能模块：根据具体需求，开发者可以扩展RadOnc-Agent的功能模块，以适应不同的放射治疗场景。

---

消息来源：ArXiv AI (cs.AI) (2026-10-07)

—— 完 ——

主题标签： #AI医疗 关注 #LLM 关注 #智能体框架 关注 #放射治疗 关注 #多模态数据 关注