基于 LLaMA-4 109B 的自动化检索增强生成系统用于评估放射治疗计划

目的：开发一个由 LLaMA-4 109B 驱动的检索增强生成（RAG）系统，用于自动化、协议感知且可解释的放射治疗计划评估。方法与材料：我们整理了涵盖四个疾病部位的 614 个放射治疗计划的多协议数据集，并构建了包含标准化剂量指标和协议定义约束的知识库。该 RAG 系统集成了三个核心模块：经过五种 SentenceTransformer骨干网络优化的检索引擎、基于队列相似性的百分位预测组件以及临床约束检查器。这些工具由大语言模型（LLM）通过多步骤提示驱动推理管道进行调度，以生成简洁且有依据的评估结果。结果：检索超参数通过高斯过程在标量化损失函数上进行优化，该损失函数结合了均方根误差（RMSE）、平均绝对误差（MAE）和临床动机定义的准确率阈值。最佳配置基于 all-MiniLM-L6-v2，在 5 个百分点位范围内达到了完美的最近邻准确率，以及低于 2 分的 MAE。当进行端到端测试时，RAG 系统在百分位估计和约束识别方面均与检索和约束检查模块的独立计算值达到 100% 一致，确认了检索、预测和检查步骤的可靠执行。结论：我们的研究结果展示了将结构化基于人群的评分与模块化工具增强推理相结合的可行性，可为放射治疗中的透明、可扩展计划评估提供支持。该系统提供可追溯的输出，最小化幻觉，并在不同协议间展现出鲁棒性。未来方向包括临床主导的验证以及改进的领域自适应检索模型以增强实际集成。