論文の概要: Utilizing Differential Evolution into optimizing targeted cancer treatments

• arxiv url: http://arxiv.org/abs/2003.11623v1
• Date: Sat, 21 Mar 2020 10:20:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 12:40:27.810902
• Title: Utilizing Differential Evolution into optimizing targeted cancer treatments
• Title（参考訳）: がん治療の最適化への差分進化の利用
• Authors: Michail-Antisthenis Tsompanas, Larry Bull, Andrew Adamatzky, Igor Balaz
• Abstract要約: 微分進化の研究は、実数値問題におけるこの手法の多様性の高効率化によって動機づけられた。 The basic DE algorithm, "DE/rand/1" was used to optimization thesimulated design of a target drug delivery system for tumor treatment on PhysiCell simulator。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Working towards the development of an evolvable cancer treatment simulator, the investigation of Differential Evolution was considered, motivated by the high efficiency of variations of this technique in real-valued problems. A basic DE algorithm, namely "DE/rand/1" was used to optimize the simulated design of a targeted drug delivery system for tumor treatment on PhysiCell simulator. The suggested approach proved to be more efficient than a standard genetic algorithm, which was not able to escape local minima after a predefined number of generations. The key attribute of DE that enables it to outperform standard EAs, is the fact that it keeps the diversity of the population high, throughout all the generations. This work will be incorporated with ongoing research in a more wide applicability platform that will design, develop and evaluate targeted drug delivery systems aiming cancer tumours.
• Abstract（参考訳）: 進化可能ながん治療シミュレータの開発に向けて, 実数値問題におけるこの手法の多様性の高効率化を動機として, 差分進化の研究が検討された。 de/rand/1 (de/rand/1) という基本的な de アルゴリズムは、物理細胞シミュレータ上で腫瘍治療のための標的薬物デリバリーシステムのシミュレーション設計を最適化するために用いられた。 提案手法は、事前定義された世代数の後、局所的なミニマから逃れることができなかった標準的な遺伝的アルゴリズムよりも効率的であることが判明した。 標準的なEAを上回り、すべての世代にわたって、人口の多様性を高く保っているという事実が、DEの重要な属性である。 この研究は、がん腫瘍をターゲットとした標的薬のデリバリーシステムを設計、開発、評価する、より広い適用可能性プラットフォームで進行中の研究に組み込まれる。

関連論文リスト

• Transforming Multimodal Models into Action Models for Radiotherapy [39.682133213072554]
  放射線治療は重要ながん治療であり、腫瘍の保存と健康な組織の根絶のバランスをとるための正確な計画が必要である。 伝統的な治療計画(TP)は、反復的で、時間がかかり、人間の専門知識に依存している。 本稿では,MLM(Multimodal foundation model)を,数発の強化学習アプローチを用いたアクションモデルに変換するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-06T09:51:28Z)
• Efficient Deep Learning-based Forward Solvers for Brain Tumor Growth Models [9.509686888976905]
  非常に攻撃的な脳腫瘍であるグリオ芽腫は、予後不良と高い死亡率のために大きな課題となる。 偏微分方程式に基づくモデルは、治療効果を高める有望なポテンシャルを提供する。 本稿では,勾配に基づく最適化とニューラルフォワード解法を併用してキャリブレーション時間を大幅に短縮する手法を提案する。
  論文  参考訳（メタデータ） (2025-01-14T16:10:25Z)
• A Foundational Generative Model for Breast Ultrasound Image Analysis [42.618964727896156]
  基礎モデルは臨床現場で様々な課題に対処するための強力なツールとして登場した。 乳房超音波検査に特化して設計された最初の基礎的生成モデルであるBUSGenについて述べる。 BUSGenは、数ショットの適応で、現実的で情報に富んだタスク固有のデータのリポジトリを生成することができる。
  論文  参考訳（メタデータ） (2025-01-12T16:39:13Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Biophysics Informed Pathological Regularisation for Brain Tumour Segmentation [10.466349398419846]
  本稿では,脳腫瘍進展部分微分方程式(PDE)モデルをディープラーニングを用いた正規化として設計する手法を提案する。 本手法では,特にデータ共有シナリオにおいて,腫瘍増殖PDEモデルをセグメント化プロセスに直接導入し,精度とロバスト性を向上させる。 我々は、BraTS 2023データセットの広範な実験を通じて、我々のフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-14T07:21:46Z)
• Tumoral Angiogenic Optimizer: A new bio-inspired based metaheuristic [5.013833066304755]
  腫瘍血管新生過程において発生する血管内皮細胞の形態形成細胞運動に着想を得た新しいメタヒューリスティックを提案する。 提案アルゴリズムは, 実世界の問題 (カンチレバービーム設計, 圧力容器設計, テンション/圧縮ばね, 持続的浮揚可能資源) に適用される。
  論文  参考訳（メタデータ） (2023-09-12T03:51:53Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
  本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。 本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
  論文  参考訳（メタデータ） (2021-11-05T02:54:06Z)
• Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
  新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
  論文  参考訳（メタデータ） (2021-05-16T12:38:35Z)
• Evolving Nano Particle Cancer Treatments with Multiple Particle Types [0.0]
  本稿では,癌腫瘍を標的としたナノ粒子ベースの薬物デリバリーシステムを設計する際の問題点について検討する。 複数のタイプのNPを利用することは、治療の複雑さが高いため、より効果的であることが期待されている。 この結果から,あらかじめ定義された計算予算の下で,進化的手法を用いて解空間を探索する場合,複数のタイプのNPを利用する方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2020-11-10T08:46:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。