前立腺がん放射線治療計画を革新する：ローカルLLM「SAGE」の自律最適化

9月 17, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Local large language model‐guided optimization for prostate radiotherapy planning
Medical Physics｜被引用数: 0（2026年9月17日時点）

放射線治療計画は、時間を要し、繰り返しが多く、専門家の経験に依存する作業です。この課題に対し、外部プロバイダーへの対象者データ送信リスクを回避しつつ、ローカルに展開される大規模言語モデル（LLM）エージェントが計画の自動化を支援できる可能性があります。本研究では、VMAT最適化の優先度を自律的に調整するローカルLLMエージェント「SAGE」を開発し、その性能と、モデルサイズおよび症例内メモリ（Retrieval Augmented Generation: RAGを通じて実装）の影響を評価しました。

研究サマリー（FINER & PICO）

Feasible実施可能性	時間のかかる治療計画プロセスをLLMで大幅に自動化し、計画時間を短縮する実現可能性を示した。
Ethical倫理面	対象者データが外部に送信されないよう、LLMを医療施設内でローカルに展開するアーキテクチャを採用した。
Interesting面白さ	大規模言語モデルを放射線治療計画の最適化に利用する、新しい自律エージェント型アプローチを提案し評価した。
Novel新規性	ローカルに展開されたオープンウェイトLLMエージェントと症例内メモリの組み合わせを評価した、初の概念実証研究である。
Relevant切実さ	時間集約的で専門家依存の放射線治療計画プロセスを効率化し、臨床診療における課題解決に貢献する。
Measurable測定可能性	計画標的体積（PTV）カバー率、リスク臓器（OAR）線量、計画時間といった明確な線量測定エンドポイントで性能を評価した。
Modifiable派生・改善	LLMエージェントが最適化優先度値を自律的に調整し、将来的に補助構造生成による計画改善も視野に入れる。
Structured文章構造	固定された目標空間内で、モデルサイズと症例内メモリの効果を制御された2×2アブレーション（要素分離評価）で評価した。
PICO / PECO対象・介入・比較・結果	対象者：前立腺がん対象者、介入：SAGE LLMエージェント、比較：臨床計画、SAGEバリアント、結果：線量測定、計画時間。

はじめに：放射線治療計画の現状と課題

どうも、Beyond the Pixelです。放射線治療計画は、現代のがん治療において複雑かつ極めて重要なタスクであり、認定されたドシメトリスト（放射線治療計画の専門家）がそのプロセスを担当しています。しかし、その手作業の性質上、専門家の知識、利用可能性、症例の複雑さによって計画にばらつきが生じることがあります。これまでにも、人工知能（AI）を放射線治療計画に活用する研究は数多く行われてきましたが、これらの従来のAIベースの計画技術にはいくつかの共通の課題がありました。例えば、モデルが訓練された特定の腫瘍部位に限定され、がん疾患スペクトラム全体への汎用性に欠ける点や、専門家ではない専門職にとっては「ブラックボックス」であり、訓練や修正、使用に技術的な専門知識が必要である点などが挙げられます。さらに、医療データ規制により、多くのモデルが訓練や評価において制限を受けていました。2023年以降、大規模言語モデル（LLM）が医療分野での利用について評価されており、放射線腫瘍学においても、知識評価、セグメンテーション（画像からの領域抽出）、臨床テキスト抽出などにLLMが応用されています。LLMベースのエージェントは、自動治療計画や計画最適化においてもその可能性が探求されてきましたが、これらのシステムの多くは、独自のまたはクラウドホスト型の最先端モデルに依存しており、対象者情報がローカルな臨床環境外に送信される際に、医療施設のデータガバナンス上の懸念が生じる可能性があります。データガバナンスに加えて、LLMエージェントの臨床統合における大きな障壁の一つは、推論の遅延です。応答生成に必要な計算時間は、通常、モデルのサイズと複雑さに比例するため、大規模モデルのタイムセンシティブな臨床ワークフローでの有用性を妨げます。そのため、より小さく計算効率の高いモデルが、ポイントオブケアアプリケーション（対象者の近くでの迅速な利用）の実行可能な代替手段として提案されることがよくあります。しかし、小規模モデルは、大規模モデルに比べて文脈認識や計画メモリが限定される可能性があります。本研究でRetrieval Augmented Generation（RAG、検索拡張生成）を通じて実装された「症例内メモリ」は、エージェントが同じアクティブな最適化セッションから過去の優先度選択と結果として得られる線量測定結果を検索できるようにすることで、このトレードオフを緩和する戦略の一つです。本研究は、臨床的に透明性が高く、ローカルに展開可能で、反復的な線量測定フィードバックに基づいて推論できる対話型計画システムの必要性を強調しています。本研究では、SAGE-RT（Secure Agent for Generative dose Expertise in Radiotherapy Treatment、以下SAGEと呼ぶ）を導入し、ローカルに展開されたオープンウェイトのLLMエージェントが、固定されたビーム形状と研究定義された目標定義の下で、最適化優先度値を自律的に調整して臨床的に許容可能な前立腺強度変調回転放射線治療（VMAT）計画を生成できるかを評価しました。特に、モデルの規模と症例内メモリの影響を制御された2×2のアブレーション（要素を一つずつ除去して影響を評価する手法）を用いて調査し、メモリ拡張が計画品質を向上させるか、より小規模なモデルがこの制約された最適化設定で競争力のある性能を発揮できるかを検証しました。本研究は、プロトコル基準に基づき、ローカルLLMエージェントが、限られた目標空間内で自律的に前立腺VMAT計画を生成できることを概念実証として示しています。症例内メモリは、特定の線量測定エンドポイント（陰茎球V22Gy）において統計的に有意な改善をもたらしました。これらの発見は、より小さく効率的なモデルが、制約のある治療計画最適化タスクにおいて実用可能であることを示唆しています。

SAGEシステムとは？ローカルLLMによる自律的最適化

SAGEは、治療計画を最適化するために連携して機能する三つの相互接続されたコンポーネントで構成されています（

**Figure 1.** FIGURE 1 System architecture illustrating the integration and workﬂow of SAGE. The TPS interacts with SAGE via ESAPI. Within SAGE, there are several coupled components which facilitate the LLM to evaluate and choose optimization priority values. SAGE can access its own previous priority choices and resulting dose metrics through intra-case memory.解説: この図は、SAGEシステムの統合とワークフローのアーキテクチャを示しています。治療計画システム（TPS）はESAPIを介してSAGEと対話します。SAGE内には、LLMが最適化優先度値を評価および選択することを促進するいくつかの結合されたコンポーネントがあります。SAGEは、症例内メモリを通じて、自身の以前の優先度選択と結果として得られる線量測定結果にアクセスできます。

）。ワーキングメモリ（作業記憶）モジュールは、治療計画の現在の状態を維持し、設定されている場合は、意思決定を通知するために同じアクティブな対象者セッションからの以前の最適化試行を検索します。LLMは意思決定エンジンとして機能し、計画の状態を分析し、最適化優先度値の調整を提案します。最後に、治療計画システム（TPS）インターフェースツールは、LLMが最適化目標の優先度値を変更することにより、Eclipse TPSと直接対話できるようにします。ローカルでのデータガバナンスをサポートするため、著者らは医療施設のセキュアな計算インフラ内でLLMを展開しました。LLMエンジンはモデルのロードを管理し、医療施設内のGPU（グラフィックス処理ユニット）を使用して推論タスクを実行します。仮想化されたLLM推論エンジンは、アプリケーションプログラミングインターフェース（API）の背後でLLM機能をカプセル化します。SAGEは、クライアント（プロンプトのフォーマット）、アクションポリシー（クライアントを超えて意思決定をガイド）、およびアクションアダプター（TPSへのAPI接続）を含む、自律運用のために設計されたいくつかの結合されたコンポーネントで構成されています。計画の編集は、VarianのEclipse Scripting API（ESAPI）を介して発行され、研究定義された最適化目標セット内の優先度値の変更に制限されていました。SAGEの最適化実行前には、臨床計画研究チームがPROFITプロトコルのエンドポイントと医療施設の前立腺VMAT計画慣行を固定された最適化目標定義のセットに翻訳しました。これらの目標定義はSAGEによって生成されたものではなく、対象者固有の臨床最適化目標リストからエクスポート、コピー、または調整されたものではありません。同じ目標スキーマが、対象者固有の構造の利用可能性に応じて、対象者全体に一貫して適用されました。研究定義された目標タイプ、線量体積制約レベル、構造割り当て、機械パラメータ、およびビーム形状（アーク角度、コリメーター回転、アイソセンター位置）は、SAGEの反復全体で固定されたままでした。臨床計画は線量測定参照計画としてのみ使用されました。それらの最適化目標リストと最終優先度値は、コピー、インポート、またはSAGEの初期化には使用されませんでした。SAGEによって生成されたすべての計画について、研究定義された最適化目標は、エージェントが最適化を開始する前に優先度値1で初期化され、中立的な優先度ベクトルを作成しました。SAGEは、構造化されたDVHフィードバックとプロトコルの合格/不合格ステータスに基づいて、これらの優先度値を10回の反復で自律的に変更しました。したがって、本研究は、ビーム配置と目標構築からの完全なデノボ（新規）計画生成ではなく、固定された研究定義目標空間内での自律的な優先度重み最適化を評価するものです。LLMは、各反復で構造化されたテキスト入力を受け取ります。これには、各構造のTPS由来のDVH値、これらのDVHメトリックからプログラムによって計算されたプロトコル合格/不合格ステータス、各最適化目標の現在の優先度値、および症例内メモリが有効になっている場合は、同じ対象者セッションからの最大3つの最も最近の以前の最適化試行（優先度変更、結果のDVHメトリック、残りの不合格または不合格に近い目標を含む）が含まれます。プロンプトには固定された臨床優先度ポリシーがエンコードされていました。PTV V58.5 Gy ≥95%は必須とされ、目標カバー率が安定した後にリスク臓器（OAR）の温存が優先されました。本研究では、SAGEによって生成された優先度値は1から200の整数値に制限されました。エージェントは、臨床目標ステータス、達成目標、優先度更新、監視する制約、根拠、および信頼度を含む構造化されたJSONを返すように指示されました。エージェント出力の臨床目標ステータスは、構造化された推論とロギングに使用されました。TPS由来のDVHメトリックとプログラムによって計算された合格/不合格ラベルは、線量測定分析の真のソースとして残りました。LLM出力はアクションアダプターによって解析され、既存の目標IDに対する有効な優先度更新のみが適用されました。優先度更新リストから省略された目標は、現在の優先度値を保持しました。無効なJSON、範囲外の優先度値、および存在しない目標IDの更新はアクションアダプターによって拒否され、ESAPIには発行されませんでした。すべてのSAGEセッションは、手動介入なしに、10回の最適化反復を自律的に完了しました。10回の反復SAGEセッション完了時に生成された計画は、線量測定分析のためにエクスポートされました。単一症例における優先度更新と10回の反復にわたるDVHの進化を含む代表的なSAGE最適化軌跡は、補足資料のTable S1に提供されています。画像ベースまたはマルチモーダルな入力は使用されていません。マルチモーダル入力を組み込むことは、エージェントに空間線量認識を提供できる将来の方向性を示しています。

研究方法：プロトコル準拠の評価

この研究では、2022年から2024年の間に「Institution Name—removed as per instructions」内でPROFITプロトコル（60 Gy/20fx）に従って治療された前立腺がん対象者の治療データを遡及的に取得しました。この第III相試験プロトコルは、中間リスクの前立腺がん男性を、低分割照射コース（60 Gyを20回照射）または従来の照射コース（78 Gyを39回照射）のいずれかに無作為に割り付けました。この試験は厳密な線量測定要件のもとで実施されました。17名の対象者のCT画像、セグメンテーション（領域分割）された構造、治療計画、および線量測定情報が、対象者コホートとして利用されました。この研究のすべての要素は、医療施設倫理委員会の承認後に実施されました。すべての遡及的治療計画とSAGE生成計画は、Varian Eclipse治療計画システム（TPS; V16.1）内に格納されました。線量計算にはAAA（V15.6.06）が使用され（線量グリッド分解能は2 mm³）、ビーム形状は各対象者の臨床計画のビームに固定されました。さらに、DVH推定アルゴリズム（15.6.05）と最適化（15.6.05）がすべての症例で使用されました。Eclipseでは、TPSアプリケーション（V16.1）と個別にコミッショニング（検証・設定）された線量計算、DVH推定、最適化アルゴリズムが独立したバージョン識別子を持っています。ここで報告されているアルゴリズムバージョン（AAA 15.6.06; DVH推定と最適化 15.6.05）は、著者らの施設で臨床的にコミッショニングされ日常的に使用されているバージョンであり、すべての臨床計画とSAGE生成計画に同一に適用されました。LLMにはLlama 3.1 LLMが使用されました。2つのバリアントがテストされました。80億（8B）パラメータモデルと700億（70B）パラメータモデルです。すべての実験中、LLMのハイパーパラメータは一定に保たれました（top_k = 2; T = 0.4）。これらのパラメータは、著者らのグループによる以前の研究で最適化されました。症例内メモリが有効になっている場合、SAGEは同じ対象者についてのみ、自身の過去の優先度選択と結果として得られる線量を検索できました。このメモリは各対象者ごとにリセットされ、セッション間で持続しませんでした。これらのモデルは、施設内の高性能計算クラスターにある8つのNVIDIA A100 GPUにローカルで搭載されました。各17名の対象者について、臨床的に使用され、専門家によって承認された計画と、SAGEの4つのバリアント（8B、8B-RAG、70B、70B-RAG）の計5つの計画がテストされました。事前指定された線量測定エンドポイント（計画標的体積（PTV）V58.5 Gy、直腸V60Gy、V20Gy、膀胱V60Gy、V40Gy、および陰茎球V22Gy）が統計分析に使用されました。すべての計画間比較には、FDR（偽発見率）制御を伴う対のノンパラメトリックWilcoxon符号順位検定が使用されました（p < 0.05）。対差の正規性は、Shapiro-Wilk検定で統計的に評価されました（ほとんどの比較でp < 0.05）。これはQ-Qプロットの視覚的検査によってさらに裏付けられ、非正規分布を確認し、本研究におけるノンパラメトリックアプローチの選択を正当化しました。本研究では、計画が事前指定されたPROFITプロトコルのすべてのエンドポイントを満たした場合、または満たされないエンドポイントがある場合でも、その対象者の対応する専門家承認の臨床計画にも同じ逸脱があった場合（計画の失敗ではなく、日常の臨床診療で受け入れられている解剖学に基づく制限を示す）に、その計画は臨床的に許容可能であると操作的に定義されました。

主要な結果：SAGEは臨床的に許容可能な計画を生成

Table 1に、PROFITプロトコルからの線量測定スコアカードと、すべての計画（SAGEの4つのバリアントと臨床計画）の性能がリストされています。細胞内の値は、17名の対象者からの線量測定平均値と標準偏差を表しています。各行で最も性能の良いSAGE計画は太字で強調されています（平均値のみに基づいて評価）。SAGEの4つのバリアントすべてがPROFITプロトコルの閾値を満たしましたが、直腸V60Gyと膀胱V60Gyについては満たしませんでした。注目すべきは、これらの閾値は臨床計画でも満たされていませんでした。70B-RAGバリアントは、17名の対象者すべてにおいて臨床的に許容可能なPTVカバー率を達成しました。これは8B、8B-RAG、70Bバリアントの16/17と比較して優れており、最も深刻な失敗は小規模モデルに集中していました。Figure 2は、複雑な対象者の解剖におけるSAGEの性能を示しています。この症例では、PTV（計画標的体積）と直腸が重なり、最適化が困難でした。最も単純なSAGEバリアント（Figure 2b; 8Bのみ）は、30 Gyの等線量線を直腸から遠ざけるのに苦労しましたが、より高度なSAGEバリアント（Figure 2a; 70B-RAG）は成功しました。この対象者に使用された臨床計画も示されています（Figure 2c）。これら3つの計画は、Figure 2の左下隅の線量体積ヒストグラム（DVH）で比較されています。臨床計画とSAGEバリアントのペアワイズ比較は、Figure 3のバイオリンプロットで示されています。臨床計画（灰色）、8B（青）、8B-RAG（緑）、70B（紫）、および70B-RAG（赤）が、事前選択された各DVHエンドポイントについて表示されています。統計比較は、セクション2.4で記述された多重性制御を伴うWilcoxon符号順位検定を使用して行われました。各サブプロットでは、バイオリンはカーネル密度を表し、内側の白いボックスは四分位範囲（IQR）を表し、中央値は赤い点で表されます。各バイオリンの内外にある黒い点は、各バリアントの個々の対象者データポイントを表しています。赤色の破線はPROFITプロトコルの閾値を示しています。PTVカバー率に統計的に有意な差は観察されませんでした。高度なSAGEバリアント（70B-RAG）は、臨床計画と比較して陰茎球への線量（V22Gy）を統計的に有意に減少させました。直腸V20Gy、膀胱V60Gy、膀胱V40Gyの線量測定エンドポイントでは、臨床計画がSAGE計画よりも統計的に優れていましたが、すべてのSAGE 70B-RAG計画はPROFITプロトコルの閾値内に留まりました。膀胱V60Gyの閾値（< 1%）は、SAGEまたは臨床計画のいずれも満たしていなかったことに注意が必要です。症例内メモリとモデルサイズがSAGEの性能に与える影響は、多重性制御を伴うWilcoxon符号順位検定を使用して評価されました。Figure 4（注：提供された画像ではFigure 5の下部に含まれる森林プロットとして表示されていますが、論文本文ではFigure 4です）は、事前指定された各DVHエンドポイントと、症例内メモリまたはモデルサイズに関連する対象者内変化を示しています。中央線は変化なしを表し、0%の左側の点は線量の減少を示し、その逆も同様です。塗りつぶされた点は統計的有意性を示します。症例内メモリを有効にすると、陰茎球への線量（V22Gy）が統計的に有意に減少しました。残りのエンドポイントについては、他の有意な差は観察されませんでしたが、PTVカバー率の変化なしに、モデルサイズが大きい場合やメモリが有効な場合に一部のリスク臓器で線量温存が観察されました。

計画時間の大幅な短縮

SAGEの計画時間は、臨床計画におけるドシメトリストの計画時間と比較されました（

**Figure 5.** FIGURE 5 Boxplots display the distribution of total time for each SAGE variant and the clinical plans. Total time includes time required for all ten iterations per patient. Boxes indicate IQRs, medians are shown as horizontal lines, and whiskers extend to 1.5× IQR. Outliers are plotted as points. The y-axis includes a break at y = 100 min and a scaling factor in order to visualize SAGE times compared to clinical planning times.解説: この図は、各SAGEバリアントと臨床計画の合計時間の分布を示すボックスプロットです。合計時間には、対象者ごとの10回の全反復に必要な時間が含まれます。ボックスは四分位範囲（IQR）を示し、中央値は水平線で示され、ひげはIQRの1.5倍まで伸びています。外れ値は点としてプロットされています。SAGE時間と臨床計画時間を視覚化するために、y軸にはy = 100分で区切りとスケーリング因子が含まれています。

）。SAGEの計画時間には、TPSで10回の自律最適化を完了するのに必要な時間が含まれます。Figure 5のボックスプロットは、中央値（赤色のバー）、四分位範囲（ボックス）、および外れ値を示しています。臨床計画時間は、ARIAで記録された計画タスクの開始から終了までの時間から取得されました。これらの時間は、各対象者について非労働時間と休日を除外するように修正されました。SAGEの中央値時間は、8Bで19分（IQR: 14–29）、8B-RAGで26分（IQR: 14–28）、70Bで45分（IQR: 31–49）、70B-RAGで45分（IQR: 34–51）でした。修正されたドシメトリストの中央計画時間は2700分（IQR: 2040–3060）でした。このデータを視覚化するために、Figure 5ではy軸のブレークとスケーリング係数（上部用）が必要でした。

考察と今後の展望

著者らは、自律的なVMAT最適化優先度調整のためのローカルに展開されたLLMエージェントであるSAGEを開発し、評価しました。遡及的な専門家承認計画とSAGEの4つのバリアントとの比較が行われました。これまでの研究では、計画タスクにクラウドベースまたは独自のモデルが利用されてきましたが、本研究では、対象者データが施設内計算環境内に留まるローカルオープンウェイトモデルの展開を評価しています。症例内メモリを有効にすると、陰茎球V22Gyという単一のエンドポイントで統計的に有意な改善が得られました。臨床（44.8%）と70B-RAG（39.9%）の両アームがすでにプロトコル目標（< 50%）を満たしていたため、この差の臨床的関連性は不明であり、より優先度の高い直腸や膀胱のエンドポイントについては統計的に有意なメモリの恩恵は観察されませんでした。Table 1にまとめられ、Figure 3で統計的にテストされているように、SAGEはPROFITプロトコル閾値に対してターゲットカバー率とリスク臓器（OAR）温存のバランスを取りました。SAGEと臨床計画の間でPTV V58.5 Gyカバー率に統計的に有意な差は観察されず、70B-RAGバリアントは陰茎球V22Gyを統計的に有意に減少させました。逆に、直腸V20Gyと膀胱V40Gyの線量測定エンドポイントでは臨床計画が統計的に優れていましたが、これらのエンドポイントに関するすべてのSAGE 70B-RAG値はPROFITプロトコル閾値内に留まりました。SAGE計画と臨床計画の統計的比較では、微妙な性能トレードオフが明らかになりました。中間線量漏洩のOARエンドポイント（直腸V20Gyおよび膀胱V40Gy）では、臨床計画がSAGE-8Bを上回りました。この性能差は、エージェントのアクション空間における現在の限界を浮き彫りにしています。人間のドシメトリストは、線量減衰を厳密に制御するために、補助的な最適化構造（例：リング、チューニングセクター）を頻繁に使用します。本研究では、SAGEは解剖学的構造に対する目標重みを操作することに限定されていました。将来のSAGEの反復では、エージェントが補助最適化構造（例：リングやチューニング構造）を生成し利用して、線量減衰と積分線量を制御する人間の熟練度に合わせる必要があり、これはスクリプト化された知識ベースの自動計画ワークフローで実証されています。直腸および膀胱温存における性能差は、おそらく多因子的なものです。上記の制限されたアクション空間を超えて、エージェントと人間のドシメトリストの間の暗黙の優先順位付けの違いも寄与している可能性があります。経験豊富なドシメトリストは、特定の治療部位においてどのOARが最も重要であるかについての臨床的直感を持っており、前立腺の症例では直腸および膀胱の温存に不釣り合いな計画努力を割り当てるかもしれません。逆に、高度なSAGEバリアント（70B-RAG）は、PTVカバー率を維持しながら陰茎球への線量を統計的に有意に減少させました。これは、自動エージェントが人間の計画者が行わない方法で最適化目標に厳密に adherence する可能性を示唆しています。臨床診療では、必須の制約が満たされると、さらにOAR温存が「合理的に達成可能な限り低い線量」（ALARA）原則に従って追求されますが、利用可能な計画時間や、優先度の低い構造に対する線量測定上の利益の減少といった現実的な限界とのバランスが取られます。SAGEエージェントは、固定された10回の反復予算内で反復フィードバックによって駆動され、PTVカバー率を損なうことなく陰茎球線量を減らし続けました。メモリを有効にしたSAGEバリアントは、同じ対象者のアクティブな最適化セッションから、最大3つの最も最近の以前の優先度選択と結果として得られるDVH結果を検索します。このメモリは対象者間でリセットされ、セッション間で持続しませんでした。これは、クローズドループエージェント最適化における軌道バッファまたはエピソード記憶に機能的に類似しており、著者らはこれを根本的に新しい学習メカニズムとして主張していません。以前のLLMベースの放射線治療計画研究では、メモリ、履歴計画検索、最適化軌道分析、および以前の反復フィードバックが組み込まれていました。むしろ、本研究におけるこのコンポーネントの目的は、モデルファミリー、アクション空間、ビーム形状、研究定義された目標定義、優先度初期化、および反復回数を固定しながら、メモリ無効化エージェントとメモリ有効化エージェントの間で制御された比較を可能にすることでした。結果に見られるように、症例内メモリを有効にすると、陰茎球温存におけるSAGEの性能が向上しました。これはおそらく、冗長な優先度選択を減らし、同じ対象者セッション内で以前に成功しなかった最適化戦略をエージェントが回避できるようにしたためと考えられます。モデルサイズ比較については、統計的に有意な差は認められませんでした。より大きなモデルは、推論能力とパラメータ数の向上により、治療計画最適化においてより良い性能を発揮すると著者らは予想していました。有意差がないことは、凸状のターゲットと比較的予測可能なOAR位置を特徴とする前立腺の幾何学的形状では、症例内メモリで拡張された8Bモデルの推論能力で十分である可能性を示唆しています。計画時間は計算されましたが、統計的に評価はされませんでした。Figure 5に示すように、計画時間は主にモデルサイズによって決まりました。しかし、アクティブな計算時間と臨床計画のターンアラウンド時間を区別することが重要です。修正された臨床計画期間（中央値2700分、IQR: 2040–3060）は、計画準備、最適化、レビュー、および非労働時間と休日を修正した後の非労働期間を含むワークフローターンアラウンド時間を表します。人間のドシメトリストのアクティブな実作業時間は、完全なターンアラウンド間隔よりも間違いなく短いですが、SAGEエージェントは、70B-RAG構成で中央値45分で10回の自律最適化反復を完了しました。この速度は、人間によるレビューのための候補計画の迅速な生成を可能にすることで、運用効率をサポートする可能性があります。70Bと8Bバリアント間の系統的な時間差は、LLM推論の遅延に起因します。70Bモデルは、8つのA100 GPUに分散されている場合でも、トークンあたりの生成時間が比例して長くなります。両方のバリアントは、同一のTPS最適化および線量計算設定で同じ10回の最適化反復を実行します。本研究の限界には、単一の解剖学的部位への制限が含まれます。前立腺がん計画は一般的に凸状のターゲットを含みますが、SAGEを凹状のターゲットと多数の連続OARを持つ頭頸部がんのような複雑な幾何学的形状に適用することは、エージェントの推論能力にとってより厳密なテストとなるでしょう。SAGEの挙動は、LLM、固定されたアクション空間、TPSフィードバックループ、およびプロンプトで指定された臨床的優先度ルールの複合効果を反映しています。このシステムは、治療計画の好みをデノボ（新規）で学習するように設計されていませんでした。より複雑な高次元のトレードオフ空間をナビゲートする際には、より大きなモデル（70B+）の優れた推論が、より小さなモデル（8B）と統計的に区別されるようになると仮説が立てられています。本研究では、最適化されたDVHエンドポイントのみを評価しました。計画の送達可能性は評価されませんでした。モニターユニット、開口または変調の複雑性指標、または対象者固有の品質保証結果は報告されていません。最適化優先度調整は、DVHエンドポイントで許容可能に見えるものの、高度に変調されているか、送達の堅牢性に劣る計画を生成する可能性があるため、送達可能性評価の欠如は、現在の線量測定比較の限界です。今後の研究では、複数の解剖学的部位にわたる大規模な対象者コホートと、モニターユニットおよび計画の複雑性分析と対象者固有の品質保証を含む厳密な送達可能性評価を実施する予定です。さらに、使用された非ゼロ温度ではLLM出力は確率的です。各対象者バリアント計画は、同一の初期化から単一の実行で生成されました。同一の初期化の下での繰り返し実行は行われなかったため、最終的な優先度軌跡と線量測定エンドポイントの実行間再現性は定量化されていません。再現性分析は今後の研究の計画された方向性です。著者らは、ローカル展開がデータガバナンスに向けた実用的かつ重要なステップである一方で、差分プライバシー、連合学習、セキュアマルチパーティ計算、または暗号化されたプライバシー保護などの正式なプライバシー保護方法論を構成するものではないことを認識しています。むしろ、特定のデータガバナンスリスクを軽減するプライバシー意識の高い展開アーキテクチャを提供します。すなわち、対象者データは外部モデルサーバーに送信されず、サードパーティAPIロギング、クラウドプロバイダーデータアクセス、および施設インフラ外へのデータ転送に関連するリスクを低減します。本研究の主要な貢献は、同一のビーム形状、研究定義された目標定義、優先度初期化、および反復制限の下で、4つのエージェントバリアントを評価し、モデルスケールと症例内メモリの主要な効果を推定する制御された2×2のアブレーションです。著者らは、症例内メモリメカニズムまたはローカル展開戦略を単独で根本的に新しいものとして主張していません。むしろ、ここでのその価値は、この制御された比較を可能にすることにあります。SAGEはオープンウェイトモデルファミリーに基づいて構築されており、独自のクローズドモデルAPIと比較して、モデルレベルの透明性と施設展開可能性を向上させています。最後に、アドホックな施設目標ではなく、PROFIT試験の線量測定基準を使用することで、将来の比較のための外部的に解釈可能なベンチマークが提供されます。SAGEは、放射線治療計画のための潜在的なワークフロー自動化モデルを示しています。ドシメトリストを置き換えるのではなく、このようなシステムの最終的な臨床的役割は、複数の計画エージェントの監督者としてドシメトリストをサポートすることかもしれません。これにより、クリニックは候補計画をより効率的に評価できる一方で、計画レビュー、臨床的優先度付け、および最終承認のための人間の監視を維持できます。本研究は、症例内メモリで強化された小規模なローカル展開モデルが、制約された前立腺VMAT最適化優先度調整において競争力のある性能を発揮できることを示しています。

結論：LLMが切り拓く放射線治療計画の効率化

本研究では、概念実証として、ローカルに展開されたLLMエージェントが、固定された研究定義目標空間内で、最適化優先度値を自律的に調整し、臨床的に許容可能な前立腺強度変調回転放射線治療（VMAT）計画を生成できることを示しました。症例内メモリはエージェントの性能を向上させましたが、モデルサイズ単独では事前指定された線量測定エンドポイントを統計的に有意に改善しませんでした。この研究は、より広範なコホート、より複雑な疾患部位、および拡張されたアクション空間を持つワークフローにおける、放射線腫瘍学の自動化のための言語およびビジョンモデルのさらなる調査を支持するものです。

補足図表

Figure 2

Figure 3

Table 1

用語集

LLM（大規模言語モデル）: 大量のテキストデータで訓練された人工知能モデル。人間のような言語を理解し生成する。
VMAT（強度変調回転放射線治療）: 放射線治療の一種で、治療装置が対象者の周りを回転しながら放射線ビームの強度を変化させ、精密な線量分布を実現する技術。
TPS（治療計画システム）: 放射線治療の計画を立てるために使用されるソフトウェア。線量計算や構造の可視化、最適化などを行う。
RAG（Retrieval Augmented Generation、検索拡張生成）: LLMが外部の情報源から関連情報を検索し、それに基づいて応答を生成する技術。情報精度を高める。
PTV（計画標的体積）: がん病変だけでなく、治療中に生じる可能性のある動きや設定誤差を考慮して設定される、放射線を照射すべき領域。
OAR（リスク臓器）: 放射線によって損傷を受けるリスクがある、がん病変周辺の正常な臓器や組織。温存が重要。
DVH（線量体積ヒストグラム）: 治療計画において、臓器や体積が受け取る線量分布をグラフで示すもの。計画の評価に用いられる。
ESAPI（Eclipse Scripting API）: Varian Eclipse治療計画システムと外部プログラムが連携するためのプログラミングインターフェース。
IQR（四分位範囲）: データのばらつきを示す統計量の一つ。データを小さい方から並べたときに、上位25%点と下位25%点の間の範囲。
FDR（False Discovery Rate、偽発見率）: 多重比較を行う際に、誤って「有意である」と判断される（偽陽性となる）確率を制御する統計的手法。