論文の概要: New Insights into Automatic Treatment Planning for Cancer Radiotherapy Using Explainable Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2508.14229v1
• Date: Tue, 19 Aug 2025 19:38:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.255546
• Title: New Insights into Automatic Treatment Planning for Cancer Radiotherapy Using Explainable Artificial Intelligence
• Title（参考訳）: 説明可能な人工知能を用いた癌放射線治療の自動治療計画の新しい考え方
• Authors: Md Mainul Abrar, Xun Jia, Yujie Chi,
• Abstract要約: 本研究では,人工知能(AI)エージェントによる自動治療計画における不透明な意思決定プロセスを明らかにすることを目的とする。 本研究では,Actor-Critic with Experience Replay(ACER)ネットワークに基づくAIエージェントについて検討した。
• 参考スコア（独自算出の注目度）: 1.8515971640245998
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Objective: This study aims to uncover the opaque decision-making process of an artificial intelligence (AI) agent for automatic treatment planning. Approach: We examined a previously developed AI agent based on the Actor-Critic with Experience Replay (ACER) network, which automatically tunes treatment planning parameters (TPPs) for inverse planning in prostate cancer intensity modulated radiotherapy. We selected multiple checkpoint ACER agents from different stages of training and applied an explainable AI (EXAI) method to analyze the attribution from dose-volume histogram (DVH) inputs to TPP-tuning decisions. We then assessed each agent's planning efficacy and efficiency and evaluated their policy and final TPP tuning spaces. Combining these analyses, we systematically examined how ACER agents generated high-quality treatment plans in response to different DVH inputs. Results: Attribution analysis revealed that ACER agents progressively learned to identify dose-violation regions from DVH inputs and promote appropriate TPP-tuning actions to mitigate them. Organ-wise similarities between DVH attributions and dose-violation reductions ranged from 0.25 to 0.5 across tested agents. Agents with stronger attribution-violation similarity required fewer tuning steps (~12-13 vs. 22), exhibited a more concentrated TPP-tuning space with lower entropy (~0.3 vs. 0.6), converged on adjusting only a few TPPs, and showed smaller discrepancies between practical and theoretical tuning steps. Putting together, these findings indicate that high-performing ACER agents can effectively identify dose violations from DVH inputs and employ a global tuning strategy to achieve high-quality treatment planning, much like skilled human planners. Significance: Better interpretability of the agent's decision-making process may enhance clinician trust and inspire new strategies for automatic treatment planning.
• Abstract（参考訳）: 目的: 本研究の目的は, 自動治療計画のための人工知能(AI)エージェントの不透明な意思決定プロセスを明らかにすることである。 アプローチ: 前立腺癌強度変調放射線治療における治療計画パラメータ(TPP)を自動的に調整するActor-Critic with Experience Replay(ACER)ネットワークに基づくAIエージェントについて検討した。 トレーニングの異なる段階から複数のチェックポイントACERエージェントを選択し,TPP調整決定に用量体積ヒストグラム(DVH)入力から属性を解析するために説明可能なAI(EXAI)法を適用した。 次に、各エージェントの計画の有効性と効率を評価し、その方針と最終的なTPPチューニング空間を評価した。 これらの分析と組み合わせて、ACERエージェントがDVH入力に応答して高品質な治療計画をいかに生み出すかを系統的に検討した。 結果: アトリビューション分析の結果, ACER は DVH 入力から線量違反領域を段階的に同定し, 適切な TPP 調整を促進できることが判明した。 DVHの寄与と線量減少の組織学的類似性は、試験薬の0.25から0.5まで様々であった。 より強い帰属-違反類似性を持つエージェントは、より少ないチューニングステップ (~12-13 vs. 22) を必要とし、低いエントロピー (~0.3 vs. 0.6) でより集中的なTPP調整空間を示し、少数のTPPの調整に収束し、実用的なチューニングステップと理論的なチューニングステップの相違が小さくなった。 これらの結果から,高効率なACERエージェントはDVH入力からの線量違反を効果的に識別し,高品質な治療計画の実現にグローバルなチューニング戦略を採用することが示唆された。 意義: エージェントの意思決定プロセスのより良い解釈可能性は、臨床医の信頼を高め、自動治療計画のための新しい戦略を刺激する可能性がある。

関連論文リスト

• Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
  糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。 我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。 当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
  論文  参考訳（メタデータ） (2025-08-17T21:54:11Z)
• Automated Treatment Planning for Interstitial HDR Brachytherapy for Locally Advanced Cervical Cancer using Deep Reinforcement Learning [3.9838929530763076]
  本研究の目的は、完全に自動化されたHDRブラキセラピー計画フレームワークを開発することである。 階層的な2段階自動計画フレームワークを提案する。 未確認の患者では、RLベースの自動計画法が平均93.89%を達成し、平均91.86%の臨床計画を上回りました。
  論文  参考訳（メタデータ） (2025-06-13T17:07:30Z)
• Patient-Specific Deep Reinforcement Learning for Automatic Replanning in Head-and-Neck Cancer Proton Therapy [8.677300387603356]
  頭頸部癌(HNC)に対するIMPT治療中の解剖学的変化は、ブラッグピークをシフトさせ、腫瘍のアンダードと臓器-アット・リスクオーバードーシングのリスクを負う。 本稿では,IMPT自動更新のための患者固有の深層強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-11T18:00:06Z)
• Actor Critic with Experience Replay-based automatic treatment planning for prostate cancer intensity modulated radiotherapy [1.5798514473558434]
  既存のモデルは大規模で高品質なデータセットを必要とし、普遍的な適用性に欠ける。 我々は、効率的な訓練、広範囲な適用性、および敵対的攻撃に対する自動治療計画のためのポリシーベースのDRLエージェントを開発した。
  論文  参考訳（メタデータ） (2025-02-01T07:09:40Z)
• Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
  Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。 異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。 この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
  論文  参考訳（メタデータ） (2024-07-20T12:42:24Z)
• Biomimicry in Radiation Therapy: Optimizing Patient Scheduling for Improved Treatment Outcomes [0.0]
  本研究は,放射線治療領域(RT)におけるバイオミミクリー原則の統合と,患者スケジューリングの最適化について考察する。 複雑なオンラインスケジューリング問題に対処するため、3つのバイオインスパイアされたアルゴリズムが最適化に使用される。 本研究は,RTの患者スケジューリングの最適化に応用されたバイオインスパイアされたアルゴリズムの有効性を明らかにするものである。
  論文  参考訳（メタデータ） (2024-01-16T15:37:23Z)
• 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)
• A feasibility study of a hyperparameter tuning approach to automated inverse planning in radiotherapy [68.8204255655161]
  本研究の目的は,計画品質を保ちながら,逆計画プロセスを自動化し,積極的な計画時間を短縮することである。 本研究では, 線量パラメータの選択, ランダムおよびベイズ探索法, ユーティリティ関数形式が計画時間と計画品質に及ぼす影響について検討した。 100個のサンプルを用いて良好な計画品質が得られ、平均計画時間は2.3時間であった。
  論文  参考訳（メタデータ） (2021-05-14T18:37:00Z)
• COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital Contact Tracing [68.68882022019272]
  COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。 1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
  論文  参考訳（メタデータ） (2020-10-30T00:47:01Z)

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。