医疗AI 治疗规划 代理LLM 领域自适应
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
作者 Mengxian Lyu, Cheng Peng, Tim Jang, Ang Li, Mengyuan Zhang et al.
发布日期 2026-08-10
arXiv ID 2608.09142
相关性评分 9/10 (高度相关)