論文の概要: An Iterative LLM Framework for SIBT utilizing RAG-based Adaptive Weight Optimization

• arxiv url: http://arxiv.org/abs/2509.08407v1
• Date: Wed, 10 Sep 2025 08:54:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.366136
• Title: An Iterative LLM Framework for SIBT utilizing RAG-based Adaptive Weight Optimization
• Title（参考訳）: RAGに基づく適応重み最適化を用いたSIBT用反復LLMフレームワーク
• Authors: Zhuo Xiao, Qinglong Yao, Jingjing Wang, Fugen Zhou, Bo Liu, Haitao Sun, Zhe Ji, Yuliang Jiang, Junjie Wang, Qiuwen Wu,
• Abstract要約: 本研究では,大規模言語モデル(LLM)によって駆動されるSIBT計画のための適応重み付け最適化フレームワークを提案する。 検索強化世代(RAG)を介して構築およびクエリされた臨床知識ベースは、モデルのドメイン固有の推論を強化する。 提案法は23例の患者に対して検証され, LLM によるアプローチが臨床承認および固定重量計画に匹敵する, あるいは超過した計画を生み出すことが示された。
• 参考スコア（独自算出の注目度）: 11.168299220031662
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Seed implant brachytherapy (SIBT) is an effective cancer treatment modality; however, clinical planning often relies on manual adjustment of objective function weights, leading to inefficiencies and suboptimal results. This study proposes an adaptive weight optimization framework for SIBT planning, driven by large language models (LLMs). A locally deployed DeepSeek-R1 LLM is integrated with an automatic planning algorithm in an iterative loop. Starting with fixed weights, the LLM evaluates plan quality and recommends new weights in the next iteration. This process continues until convergence criteria are met, after which the LLM conducts a comprehensive evaluation to identify the optimal plan. A clinical knowledge base, constructed and queried via retrieval-augmented generation (RAG), enhances the model's domain-specific reasoning. The proposed method was validated on 23 patient cases, showing that the LLM-assisted approach produces plans that are comparable to or exceeding clinically approved and fixed-weight plans, in terms of dose homogeneity for the clinical target volume (CTV) and sparing of organs at risk (OARs). The study demonstrates the potential use of LLMs in SIBT planning automation.
• Abstract（参考訳）: シードインプラント・ブラキセラピー(SIBT)は、がん治療の効果的なモダリティであるが、臨床計画では、しばしば目的の機能を手動で調整することに依存し、非効率性と準最適結果をもたらす。 本研究では,大規模言語モデル(LLM)によって駆動されるSIBT計画のための適応重み付け最適化フレームワークを提案する。 ローカルにデプロイされたDeepSeek-R1 LLMは、反復ループにおける自動計画アルゴリズムと統合される。 固定ウェイトから始めて、LCMは計画品質を評価し、次のイテレーションで新しいウェイトを推奨する。 このプロセスは収束基準が満たされるまで継続され、その後LLMは最適な計画を特定するために包括的な評価を行う。 検索増強世代(RAG)を介して構築およびクエリされた臨床知識ベースは、モデルのドメイン固有の推論を強化する。 提案法は, 臨床対象量 (CTV) の線量均一性, 臓器の危険度 (OARs) を考慮し, LLM によるアプローチが臨床承認, 固定化計画に匹敵する, あるいは超過するプランを作成できることを示した。 本研究は,SIBT計画自動化におけるLLMの利用の可能性を示す。

関連論文リスト

• Learn to optimize for automatic proton PBS treatment planning for H&N cancers [3.384581246727367]
  本稿では,データ駆動逆解析手法を提案し,それをPPOベースの自動処理計画フレームワークに統合する。 PPOフレームワークは外部ループ仮想プランナとして機能し、ポリシーネットワークを介して客観的パラメータを自律的に調整する。 L-BFGSBと比較すると、L2Oベースの逆は効率を22.97%、効率を36.41%向上させる。
  論文  参考訳（メタデータ） (2025-08-14T21:50:31Z)
• 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)
• Autonomous Radiotherapy Treatment Planning Using DOLA: A Privacy-Preserving, LLM-Based Optimization Agent [2.1986172572830096]
  Dose Optimization Language Agent (DOLA) は、放射線治療計画の最適化を目的とした、LLMベースの自律型大規模言語モデルである。 DOLAはLLaMa3.1 LLMを商業的な治療計画システムと直接統合している。 完全に安全なインフラで 稼働しています
  論文  参考訳（メタデータ） (2025-03-21T22:01:19Z)
• Attribute Controlled Fine-tuning for Large Language Models: A Case Study on Detoxification [76.14641982122696]
  本稿では,属性制御付き大規模言語モデル(LLM)の制約学習スキーマを提案する。 提案手法は, ベンチマーク上での競合性能と毒性検出タスクを達成しながら, 不適切な応答を少ないLCMに導出することを示す。
  論文  参考訳（メタデータ） (2024-10-07T23:38:58Z)
• Automating proton PBS treatment planning for head and neck cancers using policy gradient-based deep reinforcement learning [0.7519872646378836]
  本稿では,PPOアルゴリズムと線量分布に基づく報酬関数を用いた自動治療計画モデルを提案する。 実験的なルールのセットは、ターゲットのボリュームとリスクのある臓器から補助的な計画構造を作成するために使用される。 PPOを用いて訓練された意思決定ポリシーネットワークを開発し、連続的な行動空間において、関連する計画目標パラメータを反復的に調整する。
  論文  参考訳（メタデータ） (2024-09-17T22:01:56Z)
• Exploring and Benchmarking the Planning Capabilities of Large Language Models [57.23454975238014]
  この研究は、大規模言語モデル(LLM)の計画能力を改善するための基礎を築いた。 我々は、古典的な計画ベンチマークと自然言語シナリオの両方を含む包括的なベンチマークスイートを構築した。 本研究は,LLM計画の強化を目的としたマルチショットインコンテキスト学習について検討し,文脈長の増大と計画性能の向上の関係について検討する。
  論文  参考訳（メタデータ） (2024-06-18T22:57:06Z)
• 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)
• Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
  新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
  論文  参考訳（メタデータ） (2021-05-16T12:38:35Z)
• 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)

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。