RadOnc-Agent
一个以大语言模型为调度核心的放射治疗智能体框架，将放疗全流程形式化为四个临床阶段并提供26个可调用函数，通过意图映射、上下文保持和请求路由串联分散的放疗AI能力
时间轴 (近 90 天)
RadOnc-Agent是一个用大语言模型作为调度核心的智能体框架，目标是把分散的放疗AI能力串联成可协同的流水线
RadOnc-Agent把放射治疗流程形式化为四个临床阶段，并通过对话式界面提供26个可调用函数
RadOnc-Agent的LLM控制器承担意图映射、上下文保持和请求路由三项职责
RadOnc-Agent的LLM被定位为编排者而非执行者，专业计算交由各领域专科模块完成
研究团队使用2600个单函数请求（共7800次重复执行）测试系统，RadOnc-Agent在98.79%的单函数执行中选中了预期函数
RadOnc-Agent在200个预设跨阶段合成场景（共600次执行）中完成了96.50%的脚本化跨阶段工作流
RadOnc-Agent在基于60份去标识化患者记录构建的120个工作流实例（360次执行）中完成了96.67%的真实病例工作流执行
移除纵向状态后，RadOnc-Agent跨阶段工作流的完成率从96.50%下降至84.00%
禁用模式约束和身份验证后，在回放/测试评估中错误后端分发率从0%飙升到95.28%
研究者指出这些发现确立的是LLM编排架构在协调异构放疗能力方面的技术可行性，但并未证明其临床正确性、临床实用性或前瞻性获益
还有 2 条时间轴事件
全部知识事实 (12)
RadOnc-Agent是一个用大语言模型作为调度核心的智能体框架，目标是把分散的放疗AI能力串联成可协同的流水线
50%待验证RadOnc-Agent把放射治疗流程形式化为四个临床阶段，并通过对话式界面提供26个可调用函数
50%待验证RadOnc-Agent的LLM控制器承担意图映射、上下文保持和请求路由三项职责
50%待验证RadOnc-Agent的LLM被定位为编排者而非执行者，专业计算交由各领域专科模块完成
50%待验证研究团队使用2600个单函数请求（共7800次重复执行）测试系统，RadOnc-Agent在98.79%的单函数执行中选中了预期函数
50%待验证RadOnc-Agent在200个预设跨阶段合成场景（共600次执行）中完成了96.50%的脚本化跨阶段工作流
50%待验证RadOnc-Agent在基于60份去标识化患者记录构建的120个工作流实例（360次执行）中完成了96.67%的真实病例工作流执行
50%待验证移除纵向状态后，RadOnc-Agent跨阶段工作流的完成率从96.50%下降至84.00%
50%待验证禁用模式约束和身份验证后，在回放/测试评估中错误后端分发率从0%飙升到95.28%
50%待验证研究者指出这些发现确立的是LLM编排架构在协调异构放疗能力方面的技术可行性，但并未证明其临床正确性、临床实用性或前瞻性获益
50%待验证RadOnc-Agent的真实病例工作流覆盖决策到计划和计划到自适应两类典型流程
50%待验证RadOnc-Agent由arXiv最新论文提出
50%