論文の概要: Cryo-RL: automating prostate cancer cryoablation planning with reinforcement learning
- arxiv url: http://arxiv.org/abs/2509.04886v1
- Date: Fri, 05 Sep 2025 08:06:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-08 14:27:25.5175
- Title: Cryo-RL: automating prostate cancer cryoablation planning with reinforcement learning
- Title（参考訳）: Cryo-RL:強化学習による前立腺癌凍結計画の自動化
- Authors: Trixia Simangan, Ahmed Nadeem Abbasi, Yipeng Hu, Shaheer U. Saeed,
- Abstract要約: Cryo-RLは,マルコフ決定プロセスとして凍結計画をモデル化する強化学習フレームワークである。
エージェントは、手作業で設計したプランを必要とせず、最適なクリーモローブ配置につながるクリーモアブレーション戦略を学ぶ。
- 参考スコア（独自算出の注目度）: 2.1669500569343287
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cryoablation is a minimally invasive localised treatment for prostate cancer that destroys malignant tissue during de-freezing, while sparing surrounding healthy structures. Its success depends on accurate preoperative planning of cryoprobe placements to fully cover the tumour and avoid critical anatomy. This planning is currently manual, expertise-dependent, and time-consuming, leading to variability in treatment quality and limited scalability. In this work, we introduce Cryo-RL, a reinforcement learning framework that models cryoablation planning as a Markov decision process and learns an optimal policy for cryoprobe placement. Within a simulated environment that models clinical constraints and stochastic intraoperative variability, an agent sequentially selects cryoprobe positions and ice sphere diameters. Guided by a reward function based on tumour coverage, this agent learns a cryoablation strategy that leads to optimal cryoprobe placements without the need for any manually-designed plans. Evaluated on 583 retrospective prostate cancer cases, Cryo-RL achieved over 8 percentage-point Dice improvements compared with the best automated baselines, based on geometric optimisation, and matched human expert performance while requiring substantially less planning time. These results highlight the potential of reinforcement learning to deliver clinically viable, reproducible, and efficient cryoablation plans.
- Abstract（参考訳）: クリオアブレーション(Cryoablation)は、前立腺癌に対する最小限の局所的治療であり、非凍結中の悪性組織を破壊し、健康な構造物を取り巻く。
その成功は、腫瘍を完全に覆い、致命的な解剖を避けるために、クリープローブ配置の正確な術前計画に依存する。
この計画は現在、マニュアル、専門知識に依存し、時間を要するため、処理品質の変動とスケーラビリティの制限につながります。
本稿では,Cryo-RLについて紹介する。Cryo-RLは,Cleoablation計画をマルコフ決定プロセスとしてモデル化し,Cleoprobe配置のための最適ポリシーを学習する強化学習フレームワークである。
臨床制約と確率的術中変動をモデル化した模擬環境において、エージェントは、クリーポローブの位置と氷球径を順次選択する。
腫瘍カバレッジに基づいた報酬関数によって誘導され,手作業で設計したプランを必要とせず,最適なクリーモローブ配置につながる低温吸収戦略を学習する。
振り返り前立腺癌症例583例において,Cryo-RLはオプティマイゼーションに基づく最良自動ベースラインと比較して8ポイント以上のDice改善を達成し,計画時間を大幅に短縮した。
これらの結果は, 臨床効果, 再現性, 効率の良い凍結計画を提供するための強化学習の可能性を強調した。
関連論文リスト
- A Metabolic-Imaging Integrated Model for Prognostic Prediction in Colorectal Liver Metastases [5.6492616107251274]
本研究は,術後再発リスクを予測するための頑健な機械学習モデルを開発し,検証した。
コントラスト造影CTでは,術前臨床パラメータと放射線学的特徴に入力変数を制限した。
3ヶ月の再発予測モデルでは、AUCが0.723のクロスバリデーションで最適性能を示した。
論文 参考訳（メタデータ） (2025-07-26T01:29:38Z) - 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) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。
ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。
本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文 参考訳（メタデータ） (2024-05-13T15:40:56Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳（メタデータ） (2023-04-12T15:08:34Z) - Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文 参考訳（メタデータ） (2022-11-10T03:02:12Z) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳（メタデータ） (2022-11-08T11:50:31Z) - 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) - DeepPrognosis: Preoperative Prediction of Pancreatic Cancer Survival and
Surgical Margin via Contrast-Enhanced CT Imaging [26.162788846435365]
膵管腺癌(PDAC)は最も致命的ながんの1つである。
3D Contrast-Enhanced Convolutional Long Short-Term Memory Network (CE-ConvLSTM) と命名されたPDAC患者の生存予測のための新しいディープニューラルネットワークを提案する。
腫瘍切除マージンに関連する特徴を学習し,生存率予測を改善することにより,予後とマージン予測の両課題を達成できるマルチタスクCNNを提案する。
論文 参考訳（メタデータ） (2020-08-26T22:51:24Z)
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。