人工智能已在放射治疗的单项任务上取得进展，但这些能力在临床阶段、软件环境和数据模态之间仍然割裂，难以覆盖从治疗决策到随访的完整流程。
RadOnc-Agent 将放射治疗形式化为四个临床阶段，并通过对话接口提供 26 个可调用函数。大型语言模型（LLM）充当控制器，将临床意图映射为符合 schema 限制的函数调用，保持患者和工作流的纵向状态，并将请求路由至相应的专业服务。
系统评估包括三类实验：2600 条单函数请求（共 7800 次重复执行），200 条预设的跨阶段合成场景（共 600 次执行），以及来自 60 例去标识化患者的 120 条真实工作流实例（共 360 次干净执行），覆盖决策‑计划和计划‑适应两个转折点。
在单函数实验中，RadOnc-Agent 正确选择目标函数的比例为 98.79%；在合成跨阶段工作流中完成率为 96.50%；在真实患者工作流中完成率为 96.67%。消融实验显示，去除纵向状态会将跨阶段完成率降至 84.00%，而关闭 schema 与身份校验会导致后端分配错误率从 0% 上升至 95.28%。
这些结果证明了 LLM 编排异构放射治疗能力并在纵向工作流中保持信息一致性的技术可行性，但尚未验证临床正确性、实用性或前瞻性收益。
点评