論文の概要: One scale to rule them all: interpretable multi-scale Deep Learning for predicting cell survival after proton and carbon ion irradiation

• arxiv url: http://arxiv.org/abs/2601.15106v1
• Date: Wed, 21 Jan 2026 15:47:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.430076
• Title: One scale to rule them all: interpretable multi-scale Deep Learning for predicting cell survival after proton and carbon ion irradiation
• Title（参考訳）: プロトンおよび炭素イオン照射後の細胞生存予測のための解釈可能なマルチスケールディープラーニング
• Authors: Giulio Bordieri, Giorgio Cartechini, Anna Bianchi, Anna Selva, Valeria Conte, Marta Missiaggia, Francesco G. Cordoni,
• Abstract要約: 放射線野の物理的特性と生物学的損傷との関係は放射線療法と放射線防護の両方の中心である。 我々は,プロトンおよび炭素イオン照射後の細胞生存を予測する,解釈可能な深層学習モデルを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The relationship between the physical characteristics of the radiation field and biological damage is central to both radiotherapy and radioprotection, yet the link between spatial scales of energy deposition and biological effects remains not entirely understood. To address this, we developed an interpretable deep learning model that predicts cell survival after proton and carbon ion irradiation, leveraging sequential attention to highlight relevant features and provide insight into the contribution of different energy deposition scales. Trained and tested on the PIDE dataset, our model incorporates, beside LET, nanodosimetric and microdosimetric quantities simulated with MC-Startrack and Open-TOPAS, enabling multi-scale characterization. While achieving high predictive accuracy, our approach also emphasizes transparency in decision-making. We demonstrate high accuracy in predicting RBE for in vitro experiments. Multiple scales are utilized concurrently, with no single spatial scale being predominant. Quantities defined at smaller spatial domains generally have a greater influence, whereas the LET plays a lesser role.
• Abstract（参考訳）: 放射線照射場の物理的特性と生物学的損傷との関係は放射線療法と放射線防護の両方の中心であるが、空間的なエネルギー沈着スケールと生物学的効果の関連は未だ完全には理解されていない。 そこで我々は,プロトンおよび炭素イオン照射後の細胞生存を予測するための解釈可能な深層学習モデルを開発した。 MC-Startrack と Open-TOPAS を模擬した LET ,ナノドシメトリ,マイクロドシメトリ,マイクロドシメトリを併用し,マルチスケールのキャラクタリゼーションを実現する。 高い予測精度を達成する一方で、私たちのアプローチは意思決定における透明性にも重点を置いています。 RBEの予測精度はin vitro実験で高い。 複数のスケールが同時に利用されており、単一の空間スケールが支配的ではない。 より小さな空間領域で定義される量は通常より大きな影響を持つが、LETはより小さい役割を担っている。

関連論文リスト

• Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
  シングルセル技術は、細胞の高次元点雲を生成する。 各患者は単純なベクトルではなく不規則な点雲で表される。 線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
  論文  参考訳（メタデータ） (2025-10-24T21:33:12Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• Engineering atomic superradiance scaling in cavity QED system with collective and individual emission channels [10.183516825271765]
  原子-光子カップリングは、個々の原子放出に関連するスケーリングを高めながら、集合超ラジカルスケーリングを抑えるという発光挙動を著しく変えることができる。 我々の研究は、最先端の実験プラットフォームにおける制御可能な集団放出への道筋を提供する。
  論文  参考訳（メタデータ） (2025-10-14T02:48:51Z)
• Latent-space Field Tension for Astrophysical Component Detection An application to X-ray imaging [0.0]
  本稿では, 潜時空間の張力をモデル不特定性の指標として活用する, スカイエミッションフィールドの多周波ベイズモデルを提案する。 大型マゼラン雲(LMC)におけるSN 1987A領域のEROSITA早期データ放出(EDR)から得られたX線観測データに本手法の有効性を実証する。 提案手法は,高精度で天体物理成分を再構成し,点源のサブピクセル局在化,拡張放出の堅牢な分離,詳細な不確実性定量化を実現している。
  論文  参考訳（メタデータ） (2025-06-25T18:45:18Z)
• Directional superradiance in a driven ultracold atomic gas in free-space [0.0]
  我々は,双極子-双極子相互作用を介して相互作用しながら,強コヒーレント駆動によって照らされた密接なアンサンブルを研究する。 定常状態は、報告された超放射能と通常の非誘起遷移にいくつかの類似性があるが、有意な質的および定量的な差異を観察する。 相互作用平衡不均一効果と自然放出を考慮した簡単な理論モデルを構築した。
  論文  参考訳（メタデータ） (2024-03-22T18:14:44Z)
• Disentangling CO Chemistry in a Protoplanetary Disk Using Explanatory Machine Learning Techniques [0.0]
  原始惑星系円盤の分子量は、局所的な物理的条件に非常に敏感である。 機械学習を用いてこれらの化学および物理的相互依存を理解するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-08T18:59:22Z)
• Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
  本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。 我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
  論文  参考訳（メタデータ） (2022-06-30T11:39:12Z)
• Electronic-structure properties from atom-centered predictions of the electron density [0.0]
  分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。 最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。 予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-28T15:35:55Z)
• Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission [61.26321023273399]
  H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。 深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
  論文  参考訳（メタデータ） (2022-06-06T18:00:07Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。