論文の概要: Utilizing Multi-Agent Reinforcement Learning with Encoder-Decoder Architecture Agents to Identify Optimal Resection Location in Glioblastoma Multiforme Patients

• arxiv url: http://arxiv.org/abs/2512.06990v1
• Date: Sun, 07 Dec 2025 20:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.621588
• Title: Utilizing Multi-Agent Reinforcement Learning with Encoder-Decoder Architecture Agents to Identify Optimal Resection Location in Glioblastoma Multiforme Patients
• Title（参考訳）: エンコーダ・デコーダ・アーキテクチャー・エージェントを用いたマルチエージェント強化学習を用いたグリオーマ多形患者の最適な切除位置の同定
• Authors: Krishna Arun, Moinak Bhattachrya, Paras Goel,
• Abstract要約: Glioblastoma Multiforme (GBM) は5年生存率5.1%で世界でもっとも死亡率の高いヒト癌である。 このプロジェクトは、診断と治療計画の両方で医師を支援することで、唯一のエンドツーエンドソリューションを提供するAIシステムを開発する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Currently, there is a noticeable lack of AI in the medical field to support doctors in treating heterogenous brain tumors such as Glioblastoma Multiforme (GBM), the deadliest human cancer in the world with a five-year survival rate of just 5.1%. This project develops an AI system offering the only end-to-end solution by aiding doctors with both diagnosis and treatment planning. In the diagnosis phase, a sequential decision-making framework consisting of 4 classification models (Convolutional Neural Networks and Support Vector Machine) are used. Each model progressively classifies the patient's brain into increasingly specific categories, with the final step being named diagnosis. For treatment planning, an RL system consisting of 3 generative models is used. First, the resection model (diffusion model) analyzes the diagnosed GBM MRI and predicts a possible resection outcome. Second, the radiotherapy model (Spatio-Temporal Vision Transformer) generates an MRI of the brain's progression after a user-defined number of weeks. Third, the chemotherapy model (Diffusion Model) produces the post-treatment MRI. A survival rate calculator (Convolutional Neural Network) then checks if the generated post treatment MRI has a survival rate within 15% of the user defined target. If not, a feedback loop using proximal policy optimization iterates over this system until an optimal resection location is identified. When compared to existing solutions, this project found 3 key findings: (1) Using a sequential decision-making framework consisting of 4 small diagnostic models reduced computing costs by 22.28x, (2) Transformers regression capabilities decreased tumor progression inference time by 113 hours, and (3) Applying Augmentations resembling Real-life situations improved overall DICE scores by 2.9%. These results project to increase survival rates by 0.9%, potentially saving approximately 2,250 lives.
• Abstract（参考訳）: 現在、Glioblastoma Multiforme (GBM)のような異種脳腫瘍を治療する医師を支援する医療分野では、AIが欠如している。 このプロジェクトは、診断と治療計画の両方で医師を支援することで、唯一のエンドツーエンドソリューションを提供するAIシステムを開発する。 診断フェーズでは、4つの分類モデル(畳み込みニューラルネットワークとサポートベクトルマシン)からなるシーケンシャルな意思決定フレームワークが使用される。 各モデルは、患者の脳を徐々に特定のカテゴリーに分類し、最終段階は診断と呼ばれる。 治療計画には、3つの生成モデルからなるRLシステムを用いる。 第一に、切除モデル(拡散モデル)は診断されたGBMMRIを分析し、切除結果を予測する。 第2に、放射線治療モデル(時空間視覚変換器)は、ユーザーが定義した数週間後に脳の進行のMRIを生成する。 第3に、化学療法モデル(拡散モデル)は、治療後のMRIを生成する。 次に、生存率算出器(畳み込みニューラルネットワーク)が、生成された後処理MRIが、ユーザが定義した目標の15%以内の生存率を有するかどうかをチェックする。 もしそうでなければ、最適切除位置が特定されるまで、近似ポリシー最適化を用いたフィードバックループがこのシステム上で反復する。 1) 4つの小さな診断モデルからなるシーケンシャルな意思決定フレームワークを用いて計算コストを22.28倍に削減し,(2)トランスフォーマーの回帰能力により腫瘍進展予測時間が113時間短縮し,(3)実生活に類似した拡張を適用すれば全体のDICEスコアが2.9%向上した。 これらの結果は生存率を0.9%増加させ、およそ2250人の命を救うことを計画している。

関連論文リスト

• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• Automated Segmentation and Recurrence Risk Prediction of Surgically Resected Lung Tumors with Adaptive Convolutional Neural Networks [3.5413688566798096]
  肺がんは、がん関連死亡の重大な原因である。 本稿では,肺腫瘍のセグメンテーションと再発リスク予測における畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々の知る限りでは、これは最初の完全自動化されたセグメンテーションと再発リスク予測システムである。
  論文  参考訳（メタデータ） (2022-09-17T23:06:22Z)
• Preoperative brain tumor imaging: models and software for segmentation and standardized reporting [0.0]
  症例は4例のコホートで, グリオーマ, 下等グリオーマ, 髄膜腫, 転移について検討した。 腫瘍セグメンテーションモデルは、AGU-Netアーキテクチャを使って、異なる前処理ステップとプロトコルで訓練された。 2つのソフトウェアソリューションが開発され、トレーニングされたモデルと標準化された臨床報告を簡単に利用できるようになった。
  論文  参考訳（メタデータ） (2022-04-29T16:29:17Z)
• Optimizing Prediction of MGMT Promoter Methylation from MRI Scans using Adversarial Learning [0.0]
  Glioblastoma Multiforme (GBM) による米国では毎年13,000人以上が死亡していると推定されている。 非侵襲磁気共鳴画像(MRI)ベースの機械学習(ML)モデルを用いてMGMTプロモーターの状態を特定することが重要である。 2つの放射能モデルと2つのCNNモデルという4つの主要モデルを開発した。
  論文  参考訳（メタデータ） (2022-01-12T11:04:34Z)

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。