Fugu-MT 論文翻訳(概要): Patient level simulation and reinforcement learning to discover novel strategies for treating ovarian cancer

論文の概要: Patient level simulation and reinforcement learning to discover novel strategies for treating ovarian cancer

arxiv url: http://arxiv.org/abs/2110.11872v1
Date: Fri, 22 Oct 2021 15:59:53 GMT
ステータス: 処理完了
システム内更新日: 2021-10-25 16:21:02.945095
Title: Patient level simulation and reinforcement learning to discover novel strategies for treating ovarian cancer
Title（参考訳）: 卵巣癌に対する新しい治療法発見のための患者レベルシミュレーションと強化学習
Authors: Brian Murphy, Mustafa Nasir-Moin, Grace von Oiste, Viola Chen, Howard A Riina, Douglas Kondziolka, Eric K Oermann
Abstract要約: 実世界の成果データによる強化学習は、全体の生存を改善するための新しい治療戦略を特定する可能性がある。本研究では, 上皮性卵巣癌治療トラジェクトリをモデル化するための強化学習環境を設計し, モデルフリー補強学習を用いてシミュレートされた患者の治療体制について検討する。
参考スコア（独自算出の注目度）: 0.16932802756478726
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The prognosis for patients with epithelial ovarian cancer remains dismal despite improvements in survival for other cancers. Treatment involves multiple lines of chemotherapy and becomes increasingly heterogeneous after first-line therapy. Reinforcement learning with real-world outcomes data has the potential to identify novel treatment strategies to improve overall survival. We design a reinforcement learning environment to model epithelial ovarian cancer treatment trajectories and use model free reinforcement learning to investigate therapeutic regimens for simulated patients.
Abstract（参考訳）: 上皮性卵巣癌に対する予後は, 他のがんに対する生存率の改善にもかかわらず, 相変わらず良好である。治療は多系統の化学療法を伴い、初回治療後の不均一性が増す。実世界の成果データによる強化学習は、全体の生存を改善するための新しい治療戦略を特定する可能性がある。上皮性卵巣癌治療の軌跡をモデル化する強化学習環境をデザインし,モデルフリー強化学習を用いてシミュレーション患者に対する治療体制の検討を行う。

関連論文リスト

An Explainable AI Model for Predicting the Recurrence of Differentiated Thyroid Cancer [0.0]
本研究は,甲状腺癌の再発を予測するために,機械学習,特にディープラーニングモデルを用いている。患者の臨床病理学的特徴を含むデータセットを解析することにより、トレーニング中の98%、テスト中の96%の顕著な精度を達成できた。
論文参考訳（メタデータ） (2024-10-13T23:12:33Z)
Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文参考訳（メタデータ） (2024-05-13T15:40:56Z)
AI-Enabled Lung Cancer Prognosis [1.2054979237210064]
肺がんはがんによる死亡の主な原因であり、2020年には全世界で約179万人が死亡している。これらのうち、非小細胞肺癌(NSCLC)が主な亜型であり、顕著な出血性予後を特徴とする。人工知能(AI)の最近の進歩は、肺癌の予後に革命をもたらした。
論文参考訳（メタデータ） (2024-02-12T22:09:43Z)
Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2023-06-01T14:08:05Z)
Predicting Survival of Tongue Cancer Patients by Machine Learning Models [0.0]
舌癌は口と喉に発生する一般的な口腔悪性腫瘍である。これまでの研究では、記述統計に基づいて、特定の生存率とリスク要因を特定してきた。 5倍のクロスバリデーション,ブートストラップ解析,および置換特性をモデル性能の推定・解釈に応用した。
論文参考訳（メタデータ） (2022-12-23T03:00:20Z)
Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文参考訳（メタデータ） (2022-11-18T03:26:31Z)
Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文参考訳（メタデータ） (2022-11-10T03:02:12Z)
A Deep Bayesian Bandits Approach for Anticancer Therapy: Exploration via Functional Prior [13.368491963797151]
機械学習によるパーソナライズされたがん治療はがん患者が生存する可能性を改善する素晴らしい約束です近年の機械学習と精度オンコロジーの進歩にもかかわらず、このアプローチは依然として困難である。本稿では,がん細胞株の文脈情報に基づいて抗がん治療をアルゴリズムが選択する「コンテキスト・バンディット」問題として薬物スクリーニング研究を定式化する。本稿では,ゲノム的特徴と薬物構造からなるマルチモーダル情報に基づく薬物応答予測のために,薬物応答予測に先行して機能的を利用する新しいディープベイズ・バンディット・フレームワークを提案する。
論文参考訳（メタデータ） (2022-05-05T21:56:14Z)
Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
論文参考訳（メタデータ） (2022-01-09T04:35:55Z)
MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文参考訳（メタデータ） (2020-10-08T15:30:17Z)
Divide-and-Rule: Self-Supervised Learning for Survival Analysis in Colorectal Cancer [9.431791041887957]
本稿では,組織領域の表現とクラスタリングのメトリクスを学習し,その基盤となるパターンを学習する自己教師型学習手法を提案する。提案手法は, 患者結果予測の過度な適合を避けるために, 線形予測器の恩恵を受けることができることを示す。
論文参考訳（メタデータ） (2020-07-07T09:15:36Z)

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。