LLM编排放疗全流程智能体框架问世

arXiv 上最新收录的一篇论文提出了 RadOnc-Agent，一个由大语言模型编排的代理式人工智能框架，目标是把放疗诊疗路径中被割裂的各类 AI 能力串联成一条纵向可用的工作流。论文指出，人工智能在放疗的单项任务上已经取得不少进展，但这些能力分散在不同的临床阶段、软件环境和数据模态之中，与从治疗决策到随访的连续放疗流程形成了明显落差。RadOnc-Agent 正是针对这一碎片化问题而设计。

在架构层面，该框架把放疗流程形式化为四个临床阶段，并通过一个对话式接口对外提供 26 个可调用函数。大语言模型在其中承担控制器角色，负责把临床意图映射为受模式约束的调用请求，同时维护患者上下文与工作流上下文，并把请求路由到相应的专科服务。这种设计让分散的能力不再需要人工在多个系统之间搬运信息，而是由语言模型完成意图理解、状态保持与调度分发。

研究团队对系统执行情况进行了多维度评测。单功能评测包含 2600 个请求，并进行了 7800 次重复执行，RadOnc-Agent 在其中 98.79% 的执行里选中了预期函数。跨阶段评测使用 200 个预先设定的合成场景，覆盖四个阶段，共 600 次执行，脚本化工作流完成率为 96.50%。真实场景评测则来自 60 份去标识患者记录产生的 120 个工作流实例，共 360 次干净执行，覆盖从决策到计划、从计划到自适应两个环节，完成率达到 96.67%。

消融实验进一步揭示了关键组件的贡献。当移除纵向状态管理后，跨阶段工作流完成率从 96.50% 下降到 84.00%，说明上下文与状态的持续性对多阶段任务衔接至关重要。当禁用模式校验与身份校验后，在重放与测试评估中，后端调度不匹配的比例从 0% 飙升至 95.28%，表明这两类校验是避免请求被错误路由到不匹配服务的关键防线。换句话说，语言模型的灵活性必须由结构化的约束机制来兜底，才能在异构服务之间保持正确的调用语义。

论文强调，这些结果建立的是 LLM 编排架构在协调异构放疗能力与信息方面的技术可行性，并不等同于临床正确性、临床效用或前瞻性获益。这一点对理解该工作的定位非常重要：它验证的是工程与系统层面的可执行性，而非医学效果。对于医疗 AI 领域而言，这类编排层的价值在于把已有的单点模型与工具整合为可对话、可追溯的流程，而如何在真实临床环境中验证安全性与有效性，仍是后续研究需要回答的问题。

从方法论角度看，RadOnc-Agent 提供了一种可复用的思路：以一个语言模型控制器作为入口，用受模式约束的函数调用作为接口，用纵向状态作为记忆，用身份与模式校验作为安全边界。这套组合不仅适用于放疗，也可能为其他多阶段、多模态、多系统的专业工作流提供参考。随着智能体架构在专业领域的深入，编排层的可靠性、可解释性与错误恢复能力，很可能成为决定其能否落地的核心指标。