结直肠癌肝转移的治疗决策要在肿瘤生物学、可切除性和残余肝体积之间权衡，此前大模型只能靠提示词直接给建议，与专家多学科讨论的一致性有限。METATRON研究把肝胆外科医生在肿瘤委员会上的评估顺序写成结构化工作流，并与指南文献检索结合，在110例合成病例上由三名独立大模型评审按五个维度打分。工作流加检索的组合策略综合得分最高（0.626，基线0.444），但解剖可切除性判定的敏感性仍只有40%，尚不足以独立用于临床。
大模型给出的结直肠癌肝转移治疗建议，其质量取决于推理策略而不只是底层模型本身。 此前多数研究比较的是基础模型或提示技巧，很少考察临床推理的组织方式；单靠提示词时，模型与专家参考建议在推理相关维度上的差距最大。 110例由肝胆外科医生设计的合成病例覆盖八类临床场景，每份建议由Claude Sonnet 4.6、GPT-4o和Llama 3.3 70B三名独立评审对照专家参考建议打分，工作流引导与检索增强策略在全部三名评审下都优于基线。
把专家的评估顺序显式写进推理过程，模型输出的建议更贴近多学科讨论的决策路径。 基线策略只要求模型直接给出建议，工作流策略则要求它先按固定顺序逐项评估原发肿瘤、肝内病灶、肝外病灶和解剖可行性，再综合成建议。 工作流被编码为树状JSON结构，含A至D四个推理域，条件节点只在临床需要时触发；在110例病例上，工作流加检索策略在完整性、步骤一致性、个体化一致性和多学科决策一致性四个维度上取得最高归一化得分。
检索增强与工作流引导各自解决不同的问题，二者互补而非可互换。 检索增强主要提升对缺失关键信息的识别，工作流引导主要提升推理连贯性和与专家建议的吻合度。 缺失数据一致性上检索策略得分最高（0.486，工作流加检索为0.419，基线为0.130）；解剖可切除性分类的宏平均F1从基线的0.495升到工作流加检索的0.643，但非可切除病例的敏感性仅40%。
该评估在110例由肝胆外科医生设计的合成病例上进行，覆盖八类结直肠癌肝转移场景，系统仅用于方法学研究，未参与实时临床决策。作者提出的下一步是在真实多学科肿瘤委员会中开展前瞻性验证，纳入连续病例并与前瞻性多学科共识比较，同时评估对讨论效率和患者管理的影响。
参考建议由单一资深肝胆外科专家给出，不构成绝对金标准；三名大模型评审的评分尺度存在差异，且未计算评审间一致性统计量；解剖可切除性判定的敏感性为40%，作者明确指出仍不足以自主临床使用；所有策略基于同一个底层模型gpt-oss-120B，跨模型的可推广性尚未检验。
