TheraAgent：面向精确全面治疗规划的自我改进治疗智能体

摘要

制定治疗计划本质上是复杂的推理与精化任务，而非简单生成问题。但既有大语言模型（LLM）主要依赖一次性输出而无显式验证，可能产生粗糙、不完整且潜在不安全的治疗方案。为解决这些局限，我们提出TheraAgent：以迭代「生成-评判-精化」流水线替代一次性生成的智能体框架。通过模仿人类专家迭代修订治疗计划的真实推理过程，框架逐步把粗糙不完整的草稿转为精确、全面、更安全的治疗方案。为支撑关键的评判组件，我们引入TheraJudge：集成进推理循环的治疗专用评估模块，强制临床标准。实验显示TheraAgent在HealthBench上取得SOTA，在准确率与完整度上领先。专家评估中，其对医生取得86%胜率，在靶向性与伤害控制上更优。TheraJudge与HealthBench评估间的高度一致也确认了框架的可靠性。

TheraAgent：面向精确全面治疗规划的自我改进治疗智能体：论文配图 — 图 2：TheraAgent 框架概述。 TheraAgent 通过自我改进的推理管道执行治疗计划。给定患者病例 PP，Planner 在迭代 kk 时生成治疗方案 TkT_{k}，随后由 TheraJudge 进行评估，TheraJudge 使用 RAG 和 Few-shots 给出多维评分。生成的时间表及其评估被合并到存储器中以形成MkM^{k}，这使得能够在后续迭代中改进规划器的检索，并通过上下文学习指导细化的时间表（Tk+1T_{k+1}）。