論文の概要: Transforming Multimodal Models into Action Models for Radiotherapy

• arxiv url: http://arxiv.org/abs/2502.04408v1
• Date: Thu, 06 Feb 2025 09:51:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:58:01.832500
• Title: Transforming Multimodal Models into Action Models for Radiotherapy
• Title（参考訳）: 放射線治療のためのマルチモーダルモデルへの変換
• Authors: Matteo Ferrante, Alessandra Carosi, Rolando Maria D Angelillo, Nicola Toschi,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 39.682133213072554
• License:
• Abstract: Radiotherapy is a crucial cancer treatment that demands precise planning to balance tumor eradication and preservation of healthy tissue. Traditional treatment planning (TP) is iterative, time-consuming, and reliant on human expertise, which can potentially introduce variability and inefficiency. We propose a novel framework to transform a large multimodal foundation model (MLM) into an action model for TP using a few-shot reinforcement learning (RL) approach. Our method leverages the MLM's extensive pre-existing knowledge of physics, radiation, and anatomy, enhancing it through a few-shot learning process. This allows the model to iteratively improve treatment plans using a Monte Carlo simulator. Our results demonstrate that this method outperforms conventional RL-based approaches in both quality and efficiency, achieving higher reward scores and more optimal dose distributions in simulations on prostate cancer data. This proof-of-concept suggests a promising direction for integrating advanced AI models into clinical workflows, potentially enhancing the speed, quality, and standardization of radiotherapy treatment planning.
• Abstract（参考訳）: 放射線療法は、腫瘍の根絶と健康な組織の保存を正確に計画する必要がある重要ながん治療である。 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おり、変動性と非効率性をもたらす可能性がある。 本稿では,大規模なマルチモーダル基礎モデル(MLM)を,数ショット強化学習(RL)アプローチを用いてTPのアクションモデルに変換する新しいフレームワークを提案する。 我々の手法は、MLMの物理学、放射線、解剖学に関する既存の知識を活用し、数ショットの学習プロセスを通じてそれを強化する。 これにより、モンテカルロシミュレータによる治療計画を反復的に改善することができる。 本手法は, 前立腺癌データを用いたシミュレーションにおいて, 品質と効率の両面において従来のRL法よりも優れ, より高い報酬率と最適な線量分布が得られることを示した。 この概念実証は、高度なAIモデルを臨床ワークフローに統合し、放射線治療計画のスピード、品質、標準化を向上する有望な方向を示唆している。

関連論文リスト

• 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)
• Understanding Reinforcement Learning-Based Fine-Tuning of Diffusion Models: A Tutorial and Review [63.31328039424469]
  このチュートリアルは、下流の報酬関数を最適化するための微調整拡散モデルのための方法を網羅的に調査する。 PPO,微分可能最適化,報酬重み付きMLE,値重み付きサンプリング,経路整合性学習など,様々なRLアルゴリズムの適用について説明する。
  論文  参考訳（メタデータ） (2024-07-18T17:35:32Z)
• Diffusion Schrödinger Bridge Models for High-Quality MR-to-CT Synthesis for Head and Neck Proton Treatment Planning [9.599774878892665]
  Diffusion Schr"odinger Bridge Models (DSBM) は高品質MR-CT合成のための革新的な手法である。 本研究は,高品質MR-to-CT合成のための革新的なアプローチであるDSBMを紹介する。
  論文  参考訳（メタデータ） (2024-04-17T20:48:19Z)
• A Learnable Prior Improves Inverse Tumor Growth Modeling [8.87818392404259]
  両アプローチの独特な長所を相乗的に活用する新しい枠組みを提案する。 磁気共鳴画像から脳腫瘍細胞濃度を推定するための高速深層学習アルゴリズムと高精度進化戦略を統合することの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-07T13:59:34Z)
• End-to-End Breast Cancer Radiotherapy Planning via LMMs with Consistency Embedding [47.360760580820966]
  放射線腫瘍学の分野に適した包括的大規模マルチモーダルモデル(LMM)であるRO-LMMを提案する。 このモデルは臨床ワークフロー内の一連のタスクを効果的に管理し、臨床コンテキストの要約、放射線治療計画の提案、計画誘導されたターゲットボリュームセグメンテーションを含む。 クリーン入力処理の整合性を維持しつつ,LMMのノイズ入力に対する堅牢性を向上する,CEFTune(Consistency Embedding Fine-Tuning)技術を提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:49:06Z)
• Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
  高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。 EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。 本研究では,協調拡散回復可能性 (CDRL) を提案する。
  論文  参考訳（メタデータ） (2023-09-10T22:05:24Z)
• A vision transformer-based framework for knowledge transfer from multi-modal to mono-modal lymphoma subtyping models [0.0]
  深層学習モデルを用いた全スライド画像(WSI)解析は癌診断に有望な可能性を示唆している。 DLBCL癌サブタイプと高分解能WSIを区別するためのビジョントランスフォーマーベースのフレームワークを提案する。 本研究は,157例のリンパ腫データセットを用いて,本分類モデルの有望な性能について検討した。
  論文  参考訳（メタデータ） (2023-08-02T17:05:36Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• 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)
• Utilizing Differential Evolution into optimizing targeted cancer treatments [0.0]
  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。
  論文  参考訳（メタデータ） (2020-03-21T10:20:43Z)

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。