LLMが放射線治療計画を変革？AIによるKBPの信頼性と汎用性向上

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: Improving portability of knowledge‐based planning using an LLM‐driven plan refinement framework in lung radiotherapy
Medical Physics｜被引用数: 1（2026年9月17日時点）

大規模言語モデル（LLM）が、放射線治療計画の品質と汎用性を飛躍的に向上させる可能性を秘めていることが、最新の研究で明らかになりました。本記事では、既存の知識ベースプランニング（KBP）システムとLLMを組み合わせた新しいフレームワーク「Planning Copilot」が、治療計画の課題をどのように解決し、臨床現場にどのような影響をもたらすかについて、詳しく解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	LLMをKBPの後処理層として組み込むことで、既存の治療計画システムと連携し、実臨床への導入が可能。
Ethical倫理面	KBPの汎用性向上は、より多くの対象者へ質の高い治療を均一に提供可能に。LLMの介入は限定的で安全性が考慮されている。
Interesting面白さ	LLMが治療計画の最適化プロセスにおいて、モデルに依存しない形で計画品質を向上させる革新的なアプローチ。
Novel新規性	LLMをKBPのモデルに依存しない後処理層として用いることで、KBPの再トレーニング不要で汎用性を高める初の試み。
Relevant切実さ	放射線治療計画の効率と品質を向上させ、計画者間のばらつきを減らすことで、対象者ケアの標準化に貢献。
Measurable測定可能性	臨床目標達成率やDVHメトリクスを定量的に比較し、Planning Copilotの改善効果を明確に評価。
Modifiable派生・改善	LLMのプロンプトやPlanActのアクション空間を調整することで、様々な臨床目標や病変部位に対応可能。
Structured文章構造	LLMをプランナー、エバリュエーター、スーパーバイザーのマルチエージェントシステムとして構成し、構造化されたフィードバックループで最適化。
PICO / PECO対象・介入・比較・結果	P:局所進行非小細胞肺がん対象者、I:LLMガイドのPlanning CopilotによるKBP計画の最適化、C:初期KBP計画または非KBPテンプレート計画、O:計画品質の向上と臨床目標達成率の増加。

はじめに：KBPの課題とLLMの可能性

どうも、Beyond the Pixelです。放射線治療は、がん治療において重要な役割を果たす手段の一つです。特に、強度変調放射線治療（IMRT）は、病変に合わせた線量分布を実現しつつ、周囲の正常臓器（OARs）への影響を最小限に抑えることができるため、広く用いられています。しかし、IMRTの治療計画作成は、専門家の経験に大きく依存し、時間と労力がかかるプロセスです。目標とする線量とOARsの保護とのバランスをとりながら、繰り返し最適化目標や制約を調整する必要があるため、計画の品質が計画者によってばらつくこともあります。

このような課題を解決するために開発されたのが、知識ベースプランニング（KBP）です。KBPシステムは、過去の治療計画から学習し、新しい対象者の線量分布予測を生成することで、計画作成の効率を高め、計画者間のばらつきを減らすことを目指します。しかし、KBPモデルを臨床現場で広く導入するには、課題が残ります。特に、効果的な運用には、その施設特有のモデルのトレーニングや調整が頻繁に必要となるため、汎用性が低いという側面がありました。市販されているKBPモデルは出発点としては便利ですが、施設ごとの臨床目標を常に満たすわけではありません。結果として、追加の手動での最適化が頻繁に必要となり、KBPがもたらすはずの効率向上が損なわれることがあります。

近年、大規模言語モデル（LLM）は、推論、意思決定、構造化されたテキスト生成などのタスクで目覚ましい性能を示しており、医療分野への応用も期待されています。放射線腫瘍学の分野でも、専門知識の評価、臨床意思決定支援、対象者ケアに関する質問への回答などでLLMが評価されています。LLMが持つ、文脈情報を解釈し、構造化された意思決定を行う能力は、治療計画の意思決定プロセスを自動化する上で大きな可能性を秘めていると言えるでしょう。

本研究では、KBPのモデルに依存しない後処理層として機能するように設計された、LLMガイドによる治療計画の最適化フレームワーク「Planning Copilot」を開発し、その有効性を評価しました。Planning Copilotは、既存のKBPシステムを再トレーニングすることなく、異なるKBPモデル間でKBPの成功率と汎用性を向上させることができるかを探ることが目的とされています。

**Figure 1.** FIGURE 1 LLM PlanningCopilot system architecture. The Agentic Planning Assistant (three Large Language Model agents: Planner, Evaluator, and Supervisor) interacts through the PlanAct API with the PlanAct Core, a library of predeﬁned optimization actions executed in the treatment planning system. DVH, dose-volume histogram; PTV, planning target volume; Dmax, maximum dose.解説: この図は、LLM PlanningCopilotシステムの全体的なアーキテクチャを示しています。エージェント型計画アシスタント（プランナー、エバリュエーター、スーパーバイザーの3つのLLMエージェント）が、PlanAct APIを介してEclipse治療計画システム内で実行される事前定義された最適化アクションのライブラリであるPlanAct Coreと連携します。

はPlanning Copilotシステムの全体的なアーキテクチャを示しています。このシステムは、マルチエージェントLLMシステムとEclipse治療計画システムをPlanAct APIを介して統合する、閉ループ最適化フレームワークとして機能します。計画プロセスは、対象者の解剖学的情報と処方データから始まり、KBPモデル（RapidPlan）が初期治療計画を生成します。その後、Planning Copilotによって管理される反復的な最適化ループに入ります。各反復において、システムは現在のDVH（線量体積ヒストグラム）メトリクスを臨床目標と比較し、適切な最適化アクションを選択し、Eclipse Scripting API (ESAPI) を介してそのアクションを実行し、更新された計画を再評価します。このループは、すべての臨床目標が満たされるか、最大反復回数に達するまで続けられます。LLMは構造化された数値DVHメトリクスと制約の状態のみを受け取り、画像、線量分布、幾何学的情報には直接アクセスしません。

Planning Copilotの仕組み：マルチエージェントLLMによる賢い最適化

Planning Copilotは、最適化プロセスにおいてそれぞれ異なる役割を持つ3つの専門的なLLMエージェントからなるマルチエージェントアーキテクチャを採用しています。

プランナーエージェント

第一に、プランナーエージェントは主要な意思決定者として機能します。現在のDVHメトリクスを分析し、制約違反を特定し、現在の計画の状態と計画の知識ベースに基づいて、PlanActアクション空間から最適なアクションを選択します。プランナーは、アクションの種類（例えば、平均線量の削減、ホットスポットの削減）と、関連するパラメータ（例えば、目標構造、線量レベル、制約の重み付け）の両方を決定します。

エバリュエーターエージェント

第二に、エバリュエーターエージェントは、各最適化ステップ後に更新されたDVHメトリクスを事前定義された臨床目標と比較します。各制約が満たされているかどうかを判断し、その後の計画決定を導くための構造化された評価を提供します。

スーパーバイザーエージェント

最後に、スーパーバイザーエージェントは、エバリュエーターエージェントの評価を論理的な一貫性と数値の正確性についてレビューします。この追加の検証層は、制約評価における潜在的なエラーを軽減し、最適化ループの信頼性を向上させるのに役立ちます。

Planning Copilotに利用できるアクション空間は、PlanAct Coreによって定義されており、ESAPIを介して実行可能な5つの個別の最適化アクションが含まれています。具体的には、KBP由来の最適化目標を使用して初期計画を生成する「イニシャライザ」、特定のOARに平均線量制約を導入する「平均線量削減」、目標構造に線量体積制約を適用する「特定体積線量削減」、PTY内の全体的な最大線量を制約する「体幹最大線量削減」、そして目標外の領域で最大線量を削減する「PTV外線量削減」です。これらのアクションはそれぞれ、調整可能なパラメータを持つ最適化目標を修正し、Eclipseでの2段階最適化をトリガーします。

この研究では、LLM構成としてGPT-4（OpenAI）を使用し、OpenAI APIを介してアクセスしています。各エージェントは、その役割、入力形式、および期待される出力構造を定義するタスク固有のシステムプロンプトで構成されています。プロンプトは、自動解析に適した一貫性のある構造化された応答を生成するように設計されています。エージェントは治療計画システムと直接やり取りすることはなく、各ステップでプランナーは1つのアクションとそのパラメータを指定する構造化された出力を生成します。これは、そのアクションを対応するPlanAct機能にマッピングし、ESAPIを介して実行するローカル計画ワークステーションのバックエンドサービスに渡されます。更新されたDVHメトリクスは、次の反復のためにエージェントに返されます。エージェントは事前定義されたPlanActアクションとそれに関連するパラメータのセットに限定されており、このセット外のアクションやパラメータは実行されません。

汎用性検証：3つのKBPモデルと非KBPテンプレートで評価

Planning Copilotの異なるKBP構成全体での汎用性を評価するため、著者らは訓練データと最適化設定が異なる3つのRapidPlanモデルをテストしました。さらに、知識ベースプランニングに依存しない初期化を提供するために、すべての症例に同じように適用される固定目標テンプレートを非KBPベースラインとして実装しました。

UCSDモデル: 公開されているUCSD ORBIT-RTの肺-縦隔モデルを汎用的なオフザシェルフKBPソリューションとして使用しました。
施設モデル T1: 研究機関内の臨床計画に基づいて訓練されたRapidPlanモデルで、施設固有の計画実践と好みを反映しています。
施設モデル T2: 施設モデルT1の改良版で、不適切な訓練計画を削除し、最適化制約設定を調整して、より積極的なOAR温存を目指したモデルです。
テンプレートベース: 全ての症例に一律に適用される固定目標テンプレートで、KBPモデルに依存しないコントロールとして含まれました。

研究対象として、2022年11月から2024年1月までに研究機関で治療を受けた局所進行非小細胞肺がん（LA-NSCLC）の対象者62例をレトロスペクティブに評価しました。全ての対象者は、9ビームIMRTを用いて60Gyを30分割で処方され、PTV（計画標的体積）の95%が処方線量の100%をカバーするように計画が正規化されました。このコホートは、22.6ccから1273.0ccまで幅広いPTV容量を持つ解剖学的に多様な標的を含んでいました（平均421.3cc±254.6cc）。各症例について、3つのRapidPlanモデルまたは固定目標テンプレートのいずれかによって初期IMRT計画が生成され、その後、Planning Copilotを使用して完全に自動化された閉ループワークフローで最適化されました。計画の品質は、

**Table 1.** TABLE 1 Institutional dose–volume (DVH) constraints for LA-NSCLC IMRT planning. Rx indicates prescription dose.解説: この表は、局所進行非小細胞肺がん（LA-NSCLC）のIMRT計画における施設固有の線量体積ヒストグラム（DVH）制約を示しています。構造ごとにDVHメトリクス、説明、目標値が記載されており、Rxは処方線量を意味します。例えば、PTVのD95（体積の95%をカバーする線量）は処方線量の100%以上、肺のV20（20Gyを超える線量を受ける体積）は37%未満などの目標が設定されています。

に示されている施設ごとの線量体積制約を使用して評価されました。これらの制約には、PTVのカバー率と最大線量制限、および肺、心臓、食道、脊髄のOAR制約が含まれます。計画が臨床的に許容されるのは、表1の全ての線量体積制約が満たされた場合とされました。

驚くべき結果：計画品質の大幅な向上と汎用性の証明

Planning Copilotは、3つのKBPモデルすべてにおいて、計画品質を大幅に向上させました（

**Table 2.** TABLE 2 Clinical goal achievement rate by different initialization strategy (n = 62 patients per model).解説: この表は、異なる初期化戦略（各モデルn=62人の対象者）による臨床目標達成率をまとめています。各モデルについて、初期合格率、Planning Copilot適用後の合格率、救済された計画の数、および最適化ステップの平均値±標準偏差が示されています。

）。臨床目標達成率は、UCSDモデルで79%から98%へ、Institutional T1モデルで73%から97%へ、Institutional T2モデルで69%から98%へと増加しました。最初に不適合だった計画の救済率は、それぞれ92%（13件中12件）、88%（17件中15件）、95%（19件中18件）に達しました。

非KBPコントロールとして導入されたテンプレート初期化の場合でも、Planning Copilot適用後の達成率は68%から97%に向上し、KBP初期化の場合と同等の結果となりました。これは、Planning CopilotがKBPに依存しない計画の改良が可能であることを示しています。注目すべきは、OAR温存を優先する設定のInstitutional T2モデルが、初期の合格率が最も低かったにもかかわらず、リファインメント後に最大の改善（29%増）を達成したことです。これは、Planning Copilotが、初期の制約遵守を犠牲にして線量削減を優先するKBPモデルに対して特に効果的であることを示唆しています。

これらの異なる出発点にもかかわらず、4つの初期化方法すべてがほぼ同じ最終性能（97%から98%）に収束しました。これは、リファインメントによって最終的な計画品質の初期化への依存度が低下し、KBPと非KBPのどちらの開始点においても一貫性が向上したことを示しています。

線量測定分析により、最も頻繁に違反していた制約において改善が見られました（

**Figure 2.** FIGURE 2 DVH metric distributions across four initialization strategies (three KBP models and a standardized template) for the NSCLC cohort (n = 62). Orange: initial plan; blue: after PlanningCopilot reﬁnement; red dashed line: clinical constraint. Paired plans connected by gray lines; P values from Wilcoxon signed-rank test.解説: この図は、非小細胞肺がん（NSCLC）コホート（n=62）における4つの初期化戦略（3つのKBPモデルと標準化されたテンプレート）全体でのDVHメトリクス分布を示しています。オレンジ色のボックスプロットは初期計画、青色のボックスプロットはPlanningCopilotによる最適化後の計画を表し、赤色の破線は臨床制約の閾値を示しています。灰色の線は個々の対象者の計画のペアを接続しています。Wilcoxon符号順位検定のp値が示されています。

）。肺の平均線量は、4つの初期化すべてにおいて大幅な削減を示しました（p値は0.001から0.007）。肺V20は、Institutional T1とテンプレート初期化で有意に減少しました（両方ともp=0.001）。PTVの最大線量は、全ての初期化で安定しており（p>0.05）、標的線量の均一性が維持されたことを示しています。食道の平均線量は、2つの施設モデルで有意に減少しました（p=0.002およびp=0.012）。脊髄の最大線量は、テンプレート初期化で有意に減少しました（p=0.026）。

**Figure 3.** FIGURE 3 Unmet DVH constraints across four initialization strategies before (Init) and after PlanningCopilot reﬁnement (Copilot) for the NSCLC cohort (n = 62).解説: この図は、非小細胞肺がん（NSCLC）コホート（n=62）における4つの初期化戦略（初期計画とPlanningCopilotによる最適化後）で満たされなかったDVH制約の分布を示しています。棒グラフは、肺V20、肺平均線量、PTV最大線量、心臓V30、食道平均線量、食道最大線量、脊髄最大線量といった各制約違反の数を表しています。

は、Copilot最適化前後の満たされていないDVH制約の分布を示しています。全ての4つの初期化戦略において、肺関連および脊髄の制約が最も頻繁に違反しており、Copilotによって効果的に解決されました。テンプレートベースの初期化は、初期の違反数が最も多かったものの、Copilotのリファインメント後に大幅に減少しました。この結果は、Planning Copilotが、基礎となるKBPシステムの再トレーニングを必要とせずに、異なるモデル間でのKBPの成功率と汎用性を向上させることができることを裏付けています。

**Figure 4.** FIGURE 4 Representative optimization trajectory for a single patient case. (A) Evolution of dosimetric indices across 11 reﬁnement steps. Different colors indicate action types. Pink shaded regions indicate clinical constraint thresholds. (B) Axial and coronal dose distributions at Step 1 (initial KBP plan), Step 6 (intermediate), and Step 11 (ﬁnal reﬁned plan). Isodose lines shown at 60 Gy (yellow), 42 Gy (cyan), 30 Gy (orange), and 20 Gy (blue).解説: この図は、単一の対象者症例における代表的な最適化過程を示しています。（A）は11回の最適化ステップにわたる線量測定指標の進展を示しており、異なる色でアクションの種類が示されています。ピンク色の影付き領域は臨床制約の閾値を示します。（B）は、ステップ1（初期KBP計画）、ステップ6（中間）、ステップ11（最終最適化計画）における横断および冠状の線量分布を示しています。等線量線は60 Gy（黄色）、42 Gy（シアン）、30 Gy（オレンジ）、20 Gy（青）で示され、PTVが赤で示されています。

は、初期の肺V20が40%を超えていた代表的な症例の最適化過程を示しています。Planning Copilotは、平均線量削減、最大線量削減、特定体積線量削減の組み合わせを用いて、11回の反復ステップで全ての制約遵守を達成しました。最適化過程は、特徴的なトレードオフ挙動を示しています。ステップ2〜5の積極的な肺温存は一時的にPTVの最大線量を68Gy以上に上昇させましたが、これはその後、ターゲットを絞った最大線量削減アクションによって修正されました。食道と脊髄の最大線量のわずかな増加は、優先順位の高い肺の制約が優先されたことによる線量再分布を反映しており、これらの構造は最適化の全過程を通じて臨床閾値を十分に下回っていました。ステップ11までに、8つの線量測定指標すべてが臨床制約を満たし、肺V20は42%から28%に、肺平均線量は24Gyから19Gyに減少しました。対応する線量分布は、対側肺組織から20Gy等線量線が徐々に後退していく様子を示しています。

限界と今後の展望

高い全体的な救済率にもかかわらず、最適化後も少数の症例が不適合のままでした（

**Table 3.** TABLE 3 Dosimetric comparison for challenging cases where the PlanningCopilot optimized plans had unmet DVH objectives.解説: この表は、PlanningCopilotで最適化された計画においてもDVH目標が満たされなかった困難な症例における線量測定比較を示しています。肺V20、肺平均線量、PTV最大線量、心臓V30、食道平均線量、食道最大線量、脊髄最大線量について、対象者ごとの値が示されており、制約を超えるメトリクスは太字で表示されています。

）。例えば、ある対象者（Lung025）は、肺の平均線量、PTVの最大線量、脊髄の最大線量の違反により、4つの初期化すべてで不適合となりました。この対象者は、大きくて中心部に位置するPTV（489cc）を持ち、縦隔への広範な関与と、心臓および対側肺との有意な重複があり、解剖学的に困難な症例であり、物理的な最適化の限界に近づいていたことを示しています。これらの困難な症例においても、Planning Copilotで最適化された計画はKBPのみの計画と比較して低い線量を達成しており、これらの失敗はアルゴリズムの欠点というよりも、物理的な最適化の限界を反映していることを示唆しています。

本研究は、Planning CopilotフレームワークがIMRT以外の治療設定にも応用可能であることを示唆しています。LLMは構造化された線量測定フィードバックに基づいて動作し、ESAPIを介してEclipse TPSと連携するため、ボリューメトリック変調アーク治療（VMAT）などの他の技術にも同じフレームワークを適用できます。同様に、他の病変部位への拡張も、主にプロンプトにおける部位固有の制約定義と関連する計画知識ベースの更新が必要となりますが、コアフレームワーク自体は変更されません。

しかし、この研究にはいくつかの限界があります。現在の評価は、1つの処方（60Gyを30分割）、1つの病変部位、1つの照射技術（IMRT）、固定された9ビームテンプレート、および標準化されたPTVカバー率という点で均一でした。この管理された設定は、KBPモデル全体でのリファインメントフレームワークの効果を分離するために意図的に選択されましたが、現在の結果の汎用性を制限しています。今後の研究では、追加の病変部位、異なる分割スキームでの評価、および他の治療モダリティへの拡張が含まれる予定です。また、モデルのアップグレードに対するロバスト性を評価するために、異なるLLMの下でのフレームワークの性能も評価されるでしょう。特に、ビーム角度最適化（BAO）や適応型ビーム配置戦略（LLMガイドBAOフレームワークを含む）をシステムに統合することが計画されています。

まとめ

この研究では、LLMガイドによる治療計画の最適化システム「Planning Copilot」を、KBPのモデルに依存しない後処理層として評価しました。ベースライン性能が異なる3つのKBPモデル全体で、Planning Copilotは臨床目標達成率を大幅に向上させ、施設固有の制約を最初に満たせなかった計画を88〜95%の割合で一貫して救済しました。このフレームワークは、リファインメント層として機能することで、基礎となるKBPシステムのモデル固有の再トレーニングを必要とせずに、KBPの信頼性と汎用性を高めます。これらの結果は、LLMガイドによるプランナーが、多様な臨床環境全体で計画の一貫性を向上させつつ、既存の治療計画ワークフローとの統合を維持するための実用的な戦略を提供する可能性を示唆しています。

用語集

IMRT: 強度変調放射線治療。放射線の強度を細かく調整し、病変への線量を集中させ、周囲の正常臓器への影響を抑える治療法。
OARs: 正常臓器。放射線治療において、放射線による損傷を最小限に抑えるべき周囲の臓器。
KBP: 知識ベースプランニング。過去の治療計画データを基に、新しい対象者の治療計画を効率的に作成するシステム。
LLM: 大規模言語モデル。人間のような言語を理解し、生成する能力を持つAIモデル。
Planning Copilot: LLMがガイドする治療計画最適化フレームワーク。KBPで生成された計画をさらに洗練させることを目的とする。
DVH: 線量体積ヒストグラム。対象者の体積と、その体積が受ける線量の関係を示すグラフ。計画の品質評価に用いられる。
PTV: 計画標的体積。治療すべき病変と、その周辺に存在する可能性のある微小な病変を含む領域。
ESAPI: Eclipse Scripting API。Varian社の治療計画システムEclipseをプログラムで操作するためのインターフェース。
PlanAct: Eclipse Scripting APIを基盤としたフレームワークで、臨床的な最適化戦略をモジュール化されたアクションとして組み込む。