RadOnc-Agent, radyoterapi süreçlerini büyük dil modeliyle koordine ediyorRadOnc-Agent coordinates radiotherapy workflows with a large language model

ÖzetSummary

RadOnc-Agent, büyük dil modeli (LLM) tarafından orkestrasyon edilen bir çerçevedir. Bu sistem, klinik niyeti 26 çağrılabilir işlev aracılığıyla dört radyoterapi aşamasına yönlendirir. Yapay ve kimliği gizlenmiş iş akışı testlerinde yaklaşık %96-99 tamamlanma oranına ulaşmıştır. Yazarlar, sonuçları klinik doğrulama değil, teknik uygulanabilirlik olarak konumlandırmaktadır.RadOnc-Agent is a framework orchestrated by a large language model (LLM). The system routes clinical intent through 26 callable functions across four stages of radiotherapy. In synthetic and anonymized workflow tests, it achieved completion rates of approximately 96–99%. The authors position the results as a demonstration of technical feasibility rather than clinical validation.

Neden ÖnemliWhy it matters

Radyoterapi yapay zekâ araçları genellikle planlama, uyarlama ve takip gibi görevlere göre izole edilmiştir. Boyuna hasta bağlamını koruyan bir orkestrasyon katmanı, devir hatalarını ve klinik personelin bilişsel yükünü azaltabilir. Ancak bu çalışma yeni bir model değil, sistem entegrasyonu katkısıdır. Değeri, hastanelerin güvenlik açısından kritik bir onkoloji hattında şema kısıtlı yönlendirmeyi bir LLM yönlendiricisine emanet etmeye ne kadar güveneceğine bağlıdır.Radiotherapy AI tools are typically isolated by tasks such as planning, adaptation, and follow-up. An orchestration layer that maintains longitudinal patient context could reduce handoff errors and the cognitive load on clinical staff. However, this study contributes a system integration rather than a new model. Its value depends on how much trust hospitals place in entrusting schema-constrained routing to an LLM orchestrator in a safety-critical oncology pipeline.

Öne ÇıkanlarHighlights

• Dört klinik aşama boyunca 26 çağrılabilir işlev, şema kısıtlı yönlendirme ile sohbet tabanlı bir LLM denetleyicisi üzerinden çağrılır26 callable functions across four clinical stages are invoked via a chat-based LLM supervisor using schema-constrained routing
• Ablasyon: Boyuna durum kaldırıldığında aşalar arası tamamlanma %96,5'ten %84'e düşer; şema/kimlik doğrulaması devre dışı bırakıldığında uyumsuz arka uç yönlendirmesi %95,28'e yükselirAblation: Removing longitudinal state drops cross-stage completion from 96.5% to 84%; disabling schema/identity validation increases incompatible backend routing to 95.28%
• Değerlendirme, 2.600 tek işlev çağrısını, 200 sentetik aşalar arası senaryoyu ve 60 kimliği gizlenmiş hasta kaydından 120 iş akışı örneğini kapsarEvaluation covers 2,600 single-function calls, 200 synthetic cross-stage scenarios, and 120 workflow examples derived from 60 anonymized patient records

EleştiriCritical take

60 hasta ve 120 örnekten oluşan 'gerçek' kohort, klinik fayda hakkında herhangi bir çıkarım için çok küçüktür. Yazarlar da çalışmanın doğruluk veya ileriye dönük fayda hakkında hiçbir şey kanıtlamadığını kabul etmektedir. Daha endişe verici olan, şema doğrulaması kaldırıldığında %95,28'e ulaşan yönlendirme uyumsuzluk oranıdır. Bu, kırılgan bir mimariyi ortaya koymaktadır. Tek bir yönlendirme hatası, hastanın planını yanlış arka uca gönderebilir. Bu, güvenlik açısından kritik bir onkoloji sisteminin asla tolere edemeyeceği bir arıza modudur. Ne var ki metinde insan-döngüde güvenlik ağından söz edilmemektedir.The 'real' cohort of 60 patients and 120 examples is too small to draw any conclusions about clinical benefit. The authors also acknowledge that the study proves nothing about accuracy or prospective utility. More concerning is the 95.28% routing incompatibility rate observed when schema validation is removed. This reveals a fragile architecture. A single routing error could send a patient's plan to the wrong backend. This is a failure mode that a safety-critical oncology system can never tolerate. Yet the text does not mention any human-in-the-loop safety net.