基于大语言模型的手术调度优化：多目标组合优化问题的高效解决方案

为解决手术调度这一多目标组合优化难题，研究人员创新性地将大语言模型(LLMs)与传统进化算法(NSGA-II)结合，提出LLM-NSGA框架。该研究显示，LLM-NSGA在40例病例中独立生成优质方案，规模扩大时较NSGA-II和MOEA/D平均提升5.39?%、80?%、0.42?%目标值，并实现超参数优化耗时降低23.68?%，为医疗资源智能分配提供新范式。

　　

论文解读

手术调度是医疗资源管理的核心难题，涉及手术室分配、ICU床位协调、成本控制等多目标优化。传统方法如非支配排序遗传算法II(NSGA-II)依赖专家设计算子，而大语言模型(LLMs)近年展现的跨领域推理能力为这一复杂问题提供了新思路。法国里昂医院的数据显示，200例择期手术的调度需平衡成本、等待时间和资源利用率，但现有算法在超参数调优和规模扩展时效率不足。

HarmonicAI支持的研究团队提出LLM-NSGA框架，通过LLMs驱动选择、交叉和变异操作，并与NSGA-II协同优化。关键技术包括：(1)LLM自主生成调度方案；(2)融合LLM与NSGA-II的混合优化；(3)基于贝叶斯优化和蚁群算法(ACO)对比的LLM超参数调优。数据源自里昂医院脱敏的200例择期手术记录。

研究结果

• 应用大语言模型：LLMs从提示词独立生成40例高质量调度方案，验证其在规划问题的知识迁移能力。
• 数学模型：聚焦择期手术，忽略急诊和不确定性，目标涵盖OR分配、ICU衔接等多维度约束。
• 手术调度：LLM-NSGA在5间手术室调度中，较NSGA-II和MOEA/D分别提升5.39?%（成本）、80?%（等待时间）、0.42?%（床位利用率），整体优于另一LLM方法EoH。
• 超参数优化：LLMs将NSGA-II运行时缩短23.68?%，优化后的参数进一步改善调度质量。

结论与意义
该研究首次证实LLMs可同时解决组合优化问题（手术调度）和优化传统算法参数。LLM-NSGA的突破性在于：(1)无需专家设计算子，降低领域知识门槛；(2)在资源分配上超越经典算法；(3)为医疗AI的自动化调参提供新路径。论文发表于《Artificial Intelligence in Medicine》，作者Fang Wan等强调，LLMs不仅能辅助临床决策，更可重构优化算法生态，未来或扩展至急诊调度等更复杂场景。