論文の概要: Subgroup-Specific Risk-Controlled Dose Estimation in Radiotherapy

• arxiv url: http://arxiv.org/abs/2407.08432v1
• Date: Thu, 11 Jul 2024 12:12:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-12 17:39:27.540052
• Title: Subgroup-Specific Risk-Controlled Dose Estimation in Radiotherapy
• Title（参考訳）: 放射線治療におけるサブグループ特異的リスク制御線量推定
• Authors: Paul Fischer, Hannah Willms, Moritz Schneider, Daniela Thorwarth, Michael Muehlebach, Christian F. Baumgartner,
• Abstract要約: がんは依然として死の主な原因であり、効果的な放射線療法(RT)の重要性を強調している 磁気共鳴誘導線形加速器(MR-Linacs)はRT中のイメージングを可能にし、インターフレクションやおそらくはインターフレクションも可能である。 モンテカルロシミュレーションは正確性を提供するが、それらは計算集約的である。 ディープラーニングフレームワークは将来性を示しているが、RTのようなハイリスクアプリケーションには不確実な定量化が不可欠ではない。
• 参考スコア（独自算出の注目度）: 6.963340250440247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cancer remains a leading cause of death, highlighting the importance of effective radiotherapy (RT). Magnetic resonance-guided linear accelerators (MR-Linacs) enable imaging during RT, allowing for inter-fraction, and perhaps even intra-fraction, adjustments of treatment plans. However, achieving this requires fast and accurate dose calculations. While Monte Carlo simulations offer accuracy, they are computationally intensive. Deep learning frameworks show promise, yet lack uncertainty quantification crucial for high-risk applications like RT. Risk-controlling prediction sets (RCPS) offer model-agnostic uncertainty quantification with mathematical guarantees. However, we show that naive application of RCPS may lead to only certain subgroups such as the image background being risk-controlled. In this work, we extend RCPS to provide prediction intervals with coverage guarantees for multiple subgroups with unknown subgroup membership at test time. We evaluate our algorithm on real clinical planing volumes from five different anatomical regions and show that our novel subgroup RCPS (SG-RCPS) algorithm leads to prediction intervals that jointly control the risk for multiple subgroups. In particular, our method controls the risk of the crucial voxels along the radiation beam significantly better than conventional RCPS.
• Abstract（参考訳）: がんは依然として死の主な原因であり、効果的な放射線療法(RT)の重要性を強調している。 磁気共鳴誘導線形加速器(MR-Linacs)はRT中のイメージングを可能にし、インターフレクションや治療計画の調整を可能にしている。 しかし、これを実現するには、高速で正確な線量計算が必要である。 モンテカルロシミュレーションは正確性を提供するが、それらは計算集約的である。 ディープラーニングフレームワークは将来性を示しているが、RTのようなハイリスクアプリケーションには不確実な定量化が不可欠ではない。 リスク制御予測セット(RCPS)は、数学的保証を伴うモデルに依存しない不確実性定量化を提供する。 しかし, RCPSの単純適用は, 画像背景などの特定のサブグループにのみリスクが制御されることが示唆された。 本研究では、RCPSを拡張して、テスト時に未知のサブグループメンバーシップを持つ複数のサブグループに対して、カバレッジ保証付き予測間隔を提供する。 本アルゴリズムは5つの解剖学的領域の実際の臨床計画量に基づいて評価し,新しいサブグループRCPS (SG-RCPS) アルゴリズムが複数のサブグループのリスクを共同制御する予測間隔をもたらすことを示す。 特に,本手法は,従来のRCPSよりも放射線ビームに沿った重要なボクセルのリスクを著しく制御する。

関連論文リスト

• Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
  医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。 医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。 このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
  論文  参考訳（メタデータ） (2024-11-05T18:14:49Z)
• ARANet: Attention-based Residual Adversarial Network with Deep Supervision for Radiotherapy Dose Prediction of Cervical Cancer [5.737832138199829]
  本稿では,子宮頸癌における3次元線量分布の自動予測を行うために,ARANetという深層監視機能を備えた終端注意型残差適応ネットワークを提案する。 提案法は,54例の子宮頸癌患者を含む社内データセットで検証し,他の最先端の方法と比較して明らかな優位性を示した。
  論文  参考訳（メタデータ） (2024-08-26T02:26:09Z)
• Can Rule-Based Insights Enhance LLMs for Radiology Report Classification? Introducing the RadPrompt Methodology [17.21669080865246]
  RadPertは、不確実性を認識した情報スキーマを合理化されたルールセットに統合し、パフォーマンスを向上させるルールベースのシステムである。 RadPromptは、RadPertを活用して、大規模な言語モデルのゼロショット予測能力を活性化するマルチターンプロンプト戦略である。 MIMIC-CXRゴールドスタンダードテストセットとケンブリッジ大学病院から収集したゴールドスタンダードデータセットの2つのイングリッシュコーパスについて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-08-07T23:09:23Z)
• Localized Adaptive Risk Control [35.88667386998423]
  ローカライズド・アダプティブ・リスク・コントロール(Localized Adaptive Risk Control, L-ARC)は、統計的ローカライズされたリスク保証をターゲットとするオンラインキャリブレーション方式である。 L-ARCは、異なるデータサブポピュレーションにまたがるリスク保証を備えた予測セットを生成する実験によって実証される。
  論文  参考訳（メタデータ） (2024-05-13T17:48:45Z)
• Safe Deployment for Counterfactual Learning to Rank with Exposure-Based Risk Minimization [63.93275508300137]
  本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。 提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-26T15:54:23Z)
• RASR: Risk-Averse Soft-Robust MDPs with EVaR and Entropic Risk [28.811725782388688]
  本研究では,有限水平および割引無限水平MDPにおける不確実性に関連するリスクを共同でモデル化する新しい枠組みを提案し,分析する。 リスク回避をEVaRかエントロピーリスクのいずれかを用いて定義すると、RASRの最適ポリシーは時間依存型リスクレベルを持つ新しい動的プログラム定式化を用いて効率的に計算できることを示す。
  論文  参考訳（メタデータ） (2022-09-09T00:34:58Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• Risk-Constrained Thompson Sampling for CVaR Bandits [82.47796318548306]
  CVaR(Conditional Value at Risk)として知られる量的ファイナンスにおける一般的なリスク尺度について考察する。 本稿では,トンプソンサンプリングに基づくCVaR-TSアルゴリズムの性能について検討する。
  論文  参考訳（メタデータ） (2020-11-16T15:53:22Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification [84.53697297858146]
  治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。 サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。 本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
  論文  参考訳（メタデータ） (2020-06-14T14:50:02Z)

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。