論文の概要: World Model for AI Autonomous Navigation in Mechanical Thrombectomy

• arxiv url: http://arxiv.org/abs/2509.25518v2
• Date: Thu, 02 Oct 2025 05:02:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 14:32:17.156284
• Title: World Model for AI Autonomous Navigation in Mechanical Thrombectomy
• Title（参考訳）: 機械的血栓摘出術におけるAI自律ナビゲーションの世界モデル
• Authors: Harry Robertshaw, Han-Ru Wu, Alejandro Granados, Thomas C Booth,
• Abstract要約: モデルベースRLアルゴリズムであるTD-MPC2を用いて,自律型血管内ナビゲーションのための世界モデルを提案する。 SAC(Soft Actor-Critic)法と比較し,複数の血管内ナビゲーションタスクに対して1つのRLエージェントを訓練した。 その結果,TD-MPC2は多タスク学習においてSACを有意に上回り,SACの37%に比べ平均成功率は65%,パス比は顕著に改善した。
• 参考スコア（独自算出の注目度）: 39.51808126417126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous navigation for mechanical thrombectomy (MT) remains a critical challenge due to the complexity of vascular anatomy and the need for precise, real-time decision-making. Reinforcement learning (RL)-based approaches have demonstrated potential in automating endovascular navigation, but current methods often struggle with generalization across multiple patient vasculatures and long-horizon tasks. We propose a world model for autonomous endovascular navigation using TD-MPC2, a model-based RL algorithm. We trained a single RL agent across multiple endovascular navigation tasks in ten real patient vasculatures, comparing performance against the state-of-the-art Soft Actor-Critic (SAC) method. Results indicate that TD-MPC2 significantly outperforms SAC in multi-task learning, achieving a 65% mean success rate compared to SAC's 37%, with notable improvements in path ratio. TD-MPC2 exhibited increased procedure times, suggesting a trade-off between success rate and execution speed. These findings highlight the potential of world models for improving autonomous endovascular navigation and lay the foundation for future research in generalizable AI-driven robotic interventions.
• Abstract（参考訳）: 機械的血栓摘出術(MT)の自律ナビゲーションは、血管解剖学の複雑さと正確なリアルタイム意思決定の必要性により、依然として重要な課題である。 強化学習(Reinforcement Learning, RL)に基づくアプローチは、血管内ナビゲーションを自動化する可能性を示しているが、現在の手法は、複数の患者血管と長期のタスクにわたる一般化に苦慮していることが多い。 モデルベースRLアルゴリズムであるTD-MPC2を用いて,自律型血管内ナビゲーションのための世界モデルを提案する。 SAC(Soft Actor-Critic)法と比較し,複数の血管内ナビゲーションタスクに対して1つのRLエージェントを訓練した。 その結果,TD-MPC2は多タスク学習においてSACを有意に上回り,SACの37%に比べ平均成功率は65%,パス比は顕著に改善した。 TD-MPC2はプロシージャ時間の増加を示し、成功率と実行速度のトレードオフが示唆された。 これらの知見は、自律的な血管内ナビゲーションを改善するための世界モデルの可能性を強調し、汎用AI駆動型ロボット介入における将来の研究の基礎を築いた。

関連論文リスト

• Toward AI Autonomous Navigation for Mechanical Thrombectomy using Hierarchical Modular Multi-agent Reinforcement Learning (HM-MARL) [57.65363326406228]
  In vitroにおける自律型2デバイスナビゲーションのための階層型モジュールマルチエージェント強化学習フレームワークを提案する。 HM-MARLは、大腿動脈から内頸動脈(ICA)へのガイドカテーテルとガイドワイヤを自律的にナビゲートするために開発された。 モジュール型マルチエージェントアプローチは、複雑なナビゲーションタスクを特別なサブタスクに分解するために用いられ、それぞれがソフトアクター・クライブRLを用いて訓練された。 In vitroでは、両方のHM-MARLモデルが大腿動脈から右総頸動脈への100%の治験に成功し、右ICAへの80%は失敗に終わった。
  論文  参考訳（メタデータ） (2026-02-20T23:50:35Z)
• MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning [53.37068897861388]
  MedSAM-Agentは、対話的なセグメンテーションを多段階の自律的な意思決定プロセスとして再構築するフレームワークである。 マルチターン・エンド・ツー・エンドの成果検証を統合した2段階のトレーニングパイプラインを開発した。 6つの医療モダリティと21のデータセットにわたる実験は、MedSAM-Agentが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-03T09:47:49Z)
• DINO-CVA: A Multimodal Goal-Conditioned Vision-to-Action Model for Autonomous Catheter Navigation [0.33727511459109777]
  本研究は,マルチモーダルな目標条件行動クローニングフレームワークであるDINO-CVAの導入により,自律カテーテルナビゲーションへ移行する。 提案モデルでは,視覚観測とジョイスティックのキネマティクスを統合埋め込み空間に融合し,視覚とキネマティクスの両方を意識したポリシーを実現する。 その結果, DINO-CVAは動作予測の精度が高く, キネマティクスのみのベースラインの性能と一致していることがわかった。
  論文  参考訳（メタデータ） (2025-10-19T22:59:32Z)
• Autonomous Soft Robotic Guidewire Navigation via Imitation Learning [3.1381624795986345]
  血管内手術では、インターベンショニストはカテーテルと呼ばれる細いチューブを細いワイヤーで導かれ、患者の血管内の治療部位へ押し込む。 ロボットの先端を持つガイドワイヤは操作性を高めることができるが、モデリングと制御の課題を提示する。 我々は,目標条件付け,相対的な動作出力,および自動コントラスト染料注入を用いたトランスフォーマーに基づく模倣学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-10T15:57:09Z)
• Reinforcement Learning for Safe Autonomous Two Device Navigation of Cerebral Vessels in Mechanical Thrombectomy [38.51304071363744]
  現在の強化学習法は頸動脈に限られている。 本稿では,頸動脈を越えて脳血管へ移動可能な安全デュアルデバイスRLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-31T14:25:46Z)
• A deep learning framework for efficient pathology image analysis [0.0]
  本稿では,情報領域を選択的に解析することで病理学者をエミュレートするフレームワークであるEagleを紹介する。 スライドを2.27秒で処理し、既存のモデルと比較して計算時間を99%以上削減する。 堅牢で解釈可能なアウトプットを提供し、高速なスライド検索、マルチオミクスパイプラインへの統合、新たな臨床基盤モデルをサポートする。
  論文  参考訳（メタデータ） (2025-02-18T16:45:01Z)
• Autonomous navigation of catheters and guidewires in mechanical thrombectomy using inverse reinforcement learning [39.70065117918227]
  カテーテルとガイドワイヤの自律ナビゲーションは、血管内手術の安全性と効果を高め、手術時間と手術者の放射線被曝を減少させる。 本研究では,RTL (Inverse RL) を用いたMT血管内自律ナビゲーションの実現可能性について検討した。
  論文  参考訳（メタデータ） (2024-06-18T11:00:55Z)
• A Zero-Shot Reinforcement Learning Strategy for Autonomous Guidewire Navigation [0.0]
  循環器疾患の治療にはガイドワイヤとカテーテルの複雑で困難なナビゲーションが必要である。 これは、患者と臨床医がX線に曝される長い介入につながることが多い。 深層強化学習アプローチは、このタスクを学習する上で有望であり、ロボットによる介入の間、カテーテルナビゲーションを自動化する鍵となる可能性がある。
  論文  参考訳（メタデータ） (2024-03-05T08:46:54Z)
• Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
  強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。 現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。 本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
  論文  参考訳（メタデータ） (2023-06-09T18:45:15Z)
• Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
  網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。 提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。 ブタ前眼の精度と再現性について実験を行った。
  論文  参考訳（メタデータ） (2023-01-17T21:41:21Z)
• Application of the nnU-Net for automatic segmentation of lung lesion on CT images, and implication on radiomic models [1.8231394717039833]
  非小細胞肺癌患者のCT画像にディープラーニング自動分画法を適用した。 生存放射線モデルの性能評価において,手動と自動セグメンテーションの併用も検討した。
  論文  参考訳（メタデータ） (2022-09-24T15:04:23Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)

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。