摘要
精准肿瘤学的治疗规划需整合异构患者信息与快速更新的临床指南。针对大型语言模型(LLM)在高 stakes 治疗规划中面临的推理复杂、指南依从性及安全性挑战,本研究提出GatorOnco,一个专为结直肠癌治疗规划设计的代理式LLM。该模型基于2820亿令牌生物医学文本开发,采用领域自适应方法,包括预训练、模型合并、两阶段后训练及基于代理的强化学习。通过代理检索增强生成(RAG),动态整合时效性临床指南。盲测随机临床评估显示,GatorOnco显著优于开源LLM,并在可读性、完整性上超越专家,正确性与安全性相当,证明代理推理结合大规模领域适应可弥合生成式AI在癌症治疗规划中的差距。
AI 推荐理由
论文核心在于构建用于结直肠癌治疗规划的Agent,直接对应任务规划与决策生成。
研究机构
Department of Health Outcomes and Biomedical Informatics, College of Medicine, University of Florida, Gainesville, Florida, USA
论文信息