arXiv cs.AIは2026年10月2日(現地時間)、大規模言語モデル（LLM）を基盤とし、放射線療法における人工知能ワークフロー全体を統括するフレームワーク「RadOnc-Agent」に関する論文を掲載しました。このフレームワークは、放射線療法を4つの臨床フェーズに分類し、会話型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ます。
RadOnc-Agentは、個々の放射線療法タスクにおいて人工知能が進歩を遂げる一方で、臨床段階、ソフトウェア環境、データ様式間で能力が分断されている現状に対応するために開発されました。この分断は、治療の意思決定からフォローアップに至る放射線療法の縦断的なワークフローとは対照的です。
大規模言語モデルコントローラーは、臨床上の意図をスキーマ制約付きの呼び出しにマッピングし、患者およびワークフローのコンテキストを維持し、専門サービスに要求をルーティングする機能を担います。評価は、2,600回の単一機能リクエスト（7,800回の繰り返し実行）、4つのフェーズにわたる200の事前指定された合成クロスステージシナリオ（600回の実行）、および60の匿名化された患者記録から抽出された120のワークフローインスタンス（360回のクリーン実行）を用いて実施されました。
RadOnc-Agentは、単一機能実行において98.79%の確率で意図された機能を選択し、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%を完了しました。また、実際の患者ワークフロー実行では96.67%の完了率を示しています。比較評価では、縦断的状態の削除によりクロスステージ完了率が96.50%から84.00%に低下しました。さらに、スキーマおよびアイデンティティ検証を無効にした場合、リプレイ/テスト評価において不一致のバックエンドディスパッチが0%から95.28%に増加しました。
これらの結果は、異質な放射線療法能力と情報を縦断的なワークフロー全体で調整するための、大規模言語モデルによってオーケストレーションされたアーキテクチャの技術的な実現可能性を確立するものです。ただし、論文では臨床的正確性、臨床的有用性、または将来的な利益を確立するものではないと明記されています。論文の著者には、カイウェン・ジャン氏、シュオヤン・ウェイ氏らが名を連ねています。
参考: arXiv cs.AI — 2026年10月7日 13:00 (JST)