論文の概要: Exploring Strategies for Personalized Radiation Therapy Part II Predicting Tumor Drift Patterns with Diffusion Models

• arxiv url: http://arxiv.org/abs/2506.17491v1
• Date: Fri, 20 Jun 2025 21:58:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.440228
• Title: Exploring Strategies for Personalized Radiation Therapy Part II Predicting Tumor Drift Patterns with Diffusion Models
• Title（参考訳）: パーソナライズド放射線治療の探索 その2 拡散モデルによる腫瘍ドリフトパターンの予測
• Authors: Hao Peng, Steve Jiang, Robert Timmerman,
• Abstract要約: 本稿では,Diffusion Implicit Models (DDIM) を用いた新しいフレームワークを提案する。 その結果, 拡散モデルは患者特異的腫瘍の進展を効果的にシミュレートし, 治療応答に関連する領域を局在させることができた。
• 参考スコア（独自算出の注目度）: 17.401088816596054
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiation therapy outcomes are decided by two key parameters, dose and timing, whose best values vary substantially across patients. This variability is especially critical in the treatment of brain cancer, where fractionated or staged stereotactic radiosurgery improves safety compared to single fraction approaches, but complicates the ability to predict treatment response. To address this challenge, we employ Personalized Ultra-fractionated Stereotactic Adaptive Radiotherapy (PULSAR), a strategy that dynamically adjusts treatment based on how each tumor evolves over time. However, the success of PULSAR and other adaptive approaches depends on predictive tools that can guide early treatment decisions and avoid both overtreatment and undertreatment. However, current radiomics and dosiomics models offer limited insight into the evolving spatial and temporal patterns of tumor response. To overcome these limitations, we propose a novel framework using Denoising Diffusion Implicit Models (DDIM), which learns data-driven mappings from pre to post treatment imaging. In this study, we developed single step and iterative denoising strategies and compared their performance. The results show that diffusion models can effectively simulate patient specific tumor evolution and localize regions associated with treatment response. The proposed strategy provides a promising foundation for modeling heterogeneous treatment response and enabling early, adaptive interventions, paving the way toward more personalized and biologically informed radiotherapy.
• Abstract（参考訳）: 放射線治療の結果は、投与量とタイミングの2つの重要なパラメータによって決定される。 この変動性は脳がんの治療において特に重要であり、分画的または段階的定位的放射線治療は単一の分画的アプローチよりも安全性を向上させるが、治療反応を予測する能力は複雑である。 この課題に対処するために,我々はPersonalized Ultra-fractionated Stereotactic Adaptive Radiotherapy (PULSAR) を用いた。 しかし、PULSARや他の適応的アプローチの成功は、早期治療の決定を導き、過剰治療と過酷な治療の両方を避けることができる予測ツールに依存している。 しかし、現在の放射能モデルとドシオミックモデルは、腫瘍反応の進化する空間的および時間的パターンについて限られた洞察を与える。 これらの制約を克服するために,Diffusion Implicit Models (DDIM) を用いた新しいフレームワークを提案する。 本研究では,単一ステップと反復的復調戦略を開発し,その性能を比較した。 その結果, 拡散モデルは患者特異的腫瘍の進展を効果的にシミュレートし, 治療応答に関連する領域を局在させることができた。 提案した戦略は、不均一な治療応答をモデル化し、早期かつ適応的な介入を可能にし、よりパーソナライズされ生物学的に情報を得た放射線治療への道を開くための有望な基盤を提供する。

関連論文リスト

• Exploring Strategies for Personalized Radiation Therapy Part I Unlocking Response-Related Tumor Subregions with Class Activation Mapping [17.401088816596054]
  本研究は, 標準放射能, 勾配に基づく特徴, クラスアクティベーションマッピングにより強化された畳み込みニューラルネットワークという, 治療応答を予測するための3つのアプローチを比較する。 ガンマナイフ治療39例の脳転移69例について検討した。 Pixel wise CAMは、分類精度において放射能と勾配に基づく手法の両方に優れていた。
  論文  参考訳（メタデータ） (2025-06-21T01:24:25Z)
• Medical World Model: Generative Simulation of Tumor Evolution for Treatment Planning [50.16114813279694]
  臨床診断に基づいて将来の疾患状態を視覚的に予測する医用世界モデル(MeWM)を紹介する。 MeWMは、(i)政策モデルとして機能する視覚言語モデルと、(ii)ダイナミックスモデルとして腫瘍生成モデルから構成される。 シミュレーション後腫瘍に対する生存解析を適用した逆ダイナミクスモデルを提案し,治療効果の評価と最適な臨床行動計画の選択を可能にした。
  論文  参考訳（メタデータ） (2025-06-02T23:50:40Z)
• 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)
• 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)
• Treatment-wise Glioblastoma Survival Inference with Multi-parametric Preoperative MRI [34.830878479276286]
  MRスキャンに加えて治療情報を組み込んだグリオブラスト腫STの治療条件回帰モデルを提案する。 当社のアプローチでは,各治療の個別モデルをトレーニングする必要はなく,すべての治療から得られるデータを統一的に活用することが可能です。
  論文  参考訳（メタデータ） (2024-02-10T16:13:09Z)
• 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)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• 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)
• 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)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。

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。