論文の概要: Developing an Artificial Intelligence Tool for Personalized Breast Cancer Treatment Plans based on the NCCN Guidelines

• arxiv url: http://arxiv.org/abs/2502.15698v1
• Date: Mon, 06 Jan 2025 02:16:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 05:53:42.897512
• Title: Developing an Artificial Intelligence Tool for Personalized Breast Cancer Treatment Plans based on the NCCN Guidelines
• Title（参考訳）: NCCNガイドラインに基づくパーソナライズされた乳癌治療計画のための人工知能ツールの開発
• Authors: Abdul M. Mohammed, Iqtidar Mansoor, Sarah Blythe, Dennis Trujillo,
• Abstract要約: がん治療には、患者の臨床状態、医療履歴、エビデンスに基づくガイドラインに基づくパーソナライズされたアプローチが必要である。 National Comprehensive Cancer Network (NCCN) は頻繁に更新され、フローチャートや図のようなビジュアルを通して複雑なガイドラインを提供する。 我々はエージェントRAG(Retrieval-Augmented Generation)とグラフRAG(Graph-RAG)の2つのAI駆動手法を提案した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Cancer treatments require personalized approaches based on a patient's clinical condition, medical history, and evidence-based guidelines. The National Comprehensive Cancer Network (NCCN) provides frequently updated, complex guidelines through visuals like flowcharts and diagrams, which can be time consuming for oncologists to stay current with treatment protocols. This study presents an AI (Artificial Intelligence)-driven methodology to accurately automate treatment regimens following NCCN guidelines for breast cancer patients. We proposed two AI-driven methods: Agentic-RAG (Retrieval-Augmented Generation) and Graph-RAG. Agentic-RAG used a three-step Large Language Model (LLM) process to select clinical titles from NCCN guidelines, retrieve matching JSON content, and iteratively refine recommendations based on insufficiency checks. Graph-RAG followed a Microsoft-developed framework with proprietary prompts, where JSON data was converted to text via an LLM, summarized, and mapped into graph structures representing key treatment relationships. Final recommendations were generated by querying relevant graph summaries. Both were evaluated using a set of patient descriptions, each with four associated questions. As shown in Table 1, Agentic RAG achieved a 100% adherence (24/24) with no hallucinations or incorrect treatments. Graph-RAG had 95.8% adherence (23/24) with one incorrect treatment and no hallucinations. Chat GPT-4 showed 91.6% adherence (22/24) with two wrong treatments and no hallucinations. Both Agentic RAG and Graph-RAG provided detailed treatment recommendations with accurate references to relevant NCCN document page numbers.
• Abstract（参考訳）: がん治療には、患者の臨床状態、医療履歴、エビデンスに基づくガイドラインに基づくパーソナライズされたアプローチが必要である。 National Comprehensive Cancer Network (NCCN) は、フローチャートやダイアグラムのようなビジュアルを通じて頻繁に更新され、複雑なガイドラインを提供する。 本研究は、乳がん患者に対するNCCNガイドラインに従って、AI(Artificial Intelligence)による治療レギュレーションを正確に自動化する手法を提案する。 我々はエージェントRAG(Retrieval-Augmented Generation)とグラフRAG(Graph-RAG)の2つのAI駆動手法を提案した。 Agentic-RAGは3段階のLarge Language Model (LLM)プロセスを使用して、NCCNガイドラインから臨床タイトルを選択し、JSONコンテンツと一致するものを検索し、不十分なチェックに基づいてリコメンデーションを反復的に洗練する。 Graph-RAGはプロプライエタリなプロンプトを備えたMicrosoftが開発したフレームワークに従い、JSONデータをLLM経由でテキストに変換し、要約し、主要な処理関係を表すグラフ構造にマッピングした。 最終的なレコメンデーションは、関連するグラフの要約を問い合わせることによって生成される。 いずれの患者も,4つの関連する質問に対して,一連の患者記述を用いて評価を行った。 表1に示すように、エージェントRAGは幻覚や誤治療を伴わない100%の付着(24/24)を達成した。 Graph-RAGは95.8%(23/24)で、1つの誤った治療と幻覚がない。 Chat GPT-4は91.6%の付着率(22/24)を示した。 Agentic RAG と Graph-RAG はどちらも、関連する NCCN 文書ページ番号への正確な参照に関する詳細な治療勧告を提供している。

関連論文リスト

• Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
  AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。 本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
  論文  参考訳（メタデータ） (2025-02-07T21:09:05Z)
• A Self-supervised Multimodal Deep Learning Approach to Differentiate Post-radiotherapy Progression from Pseudoprogression in Glioblastoma [5.98776969609135]
  グリオ芽腫(GBM)に対する放射線治療後のPsPとTrue Progression(TP)の正確な鑑別は最適な治療計画に不可欠である。 本研究では, 日常的な解剖学的MRI画像, 臨床パラメータ, RT治療計画情報からの補完情報を利用して, 予測精度を向上させるマルチモーダル深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-02-06T11:57:57Z)
• Comprehensive Modeling and Question Answering of Cancer Clinical Practice Guidelines using LLMs [0.6187270874122919]
  本研究は,NCCN(National Comprehensive Cancer Network)がんガイドラインの文脈的にリッチなデジタル表現を作成するアプローチを提案する。 我々は,ノード分類にLarge Language Models (LLMs) を用いて,モデルのセマンティックエンリッチメントを実装する。 また,テキストのガイドラインに制約を加えることで,自然言語の質問に答えるための方法論も導入する。
  論文  参考訳（メタデータ） (2025-01-23T07:06:26Z)
• Automated Knowledge Modeling for Cancer Clinical Practice Guidelines [1.1083289076967895]
  がん診療ガイドライン (CPGs) は, 活発な研究によって生み出された新たな証拠により, 急速に進展する。 現在、CPGは主に、この発展途上の知識を管理するのに不適な文書形式で発行されている。 オンコロジーにおけるNACN CPGから知識を自動的に抽出する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-15T18:07:08Z)
• RECAP-KG: Mining Knowledge Graphs from Raw GP Notes for Remote COVID-19 Assessment in Primary Care [45.43645878061283]
  本稿では,患者相談の前後に書かれた生のGP医療ノートから知識グラフ構築を行うフレームワークを提案する。 私たちの知識グラフには、既存の患者の症状、その持続時間、重症度に関する情報が含まれています。 本フレームワークを英国における新型コロナウイルス患者の相談ノートに適用する。
  論文  参考訳（メタデータ） (2023-06-17T23:35:51Z)
• Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
  胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。 本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
  論文  参考訳（メタデータ） (2022-02-17T08:33:52Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Training Automatic View Planner for Cardiac MR Imaging via Self-Supervision by Spatial Relationship between Views [28.27778627797572]
  本研究は, 自動心磁気共鳴画像診断のためのクリニック互換でアノテーションのないシステムを提案する。 このシステムは、ソースビューとターゲットビューの間の空間的関係(具体的には、交差する線の位置と利用)をマイニングし、これらの交差する線で定義されたヒートマップを回帰するように、ディープネットワークを訓練する。 ターゲットビューのすべてのソースビューに対して予測されたヒートマップから情報を集約し、グローバルに最適な処方則を求めるマルチビュー計画戦略を提案する。
  論文  参考訳（メタデータ） (2021-09-24T02:25:22Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
  動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。 本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-06T13:03:42Z)

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。