論文の概要: ALMo: Interactive Aim-Limit-Defined, Multi-Objective System for Personalized High-Dose-Rate Brachytherapy Treatment Planning and Visualization for Cervical Cancer

• arxiv url: http://arxiv.org/abs/2602.13666v1
• Date: Sat, 14 Feb 2026 08:24:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.323045
• Title: ALMo: Interactive Aim-Limit-Defined, Multi-Objective System for Personalized High-Dose-Rate Brachytherapy Treatment Planning and Visualization for Cervical Cancer
• Title（参考訳）: ALMo: 頚部癌に対する高線量治療計画と可視化のための多目的対話型エイムリミット定義型多目的多目的システム
• Authors: Edward Chen, Natalie Dullerud, Pang Wei Koh, Thomas Niedermayr, Elizabeth Kidd, Sanmi Koyejo, Carlos Guestrin,
• Abstract要約: 本稿では, ALMo (Aim-Limit-Defined Multi-Objective System) を提案する。 ALMoは、手作業による計画品質を一貫して満たまたは超過した治療計画を生成し、65%のケースでドシメトリックな改善を示している。
• 参考スコア（独自算出の注目度）: 38.24269895136321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In complex clinical decision-making, clinicians must often track a variety of competing metrics defined by aim (ideal) and limit (strict) thresholds. Sifting through these high-dimensional tradeoffs to infer the optimal patient-specific strategy is cognitively demanding and historically prone to variability. In this paper, we address this challenge within the context of High-Dose-Rate (HDR) brachytherapy for cervical cancer, where planning requires strictly managing radiation hot spots while balancing tumor coverage against organ sparing. We present ALMo (Aim-Limit-defined Multi-Objective system), an interactive decision support system designed to infer and operationalize clinician intent. ALMo employs a novel optimization framework that minimizes manual input through automated parameter setup and enables flexible control over toxicity risks. Crucially, the system allows clinicians to navigate the Pareto surface of dosimetric tradeoffs by directly manipulating intuitive aim and limit values. In a retrospective evaluation of 25 clinical cases, ALMo generated treatment plans that consistently met or exceeded manual planning quality, with 65% of cases demonstrating dosimetric improvements. Furthermore, the system significantly enhanced efficiency, reducing average planning time to approximately 17 minutes, compared to the conventional 30-60 minutes. While validated in brachytherapy, ALMo demonstrates a generalized framework for streamlining interaction in multi-criteria clinical decision-making.
• Abstract（参考訳）: 複雑な臨床的意思決定では、臨床医は目的(理想)と限界(制限)の閾値によって定義される様々な競合指標を追跡する必要がある。 これらの高次元のトレードオフを通じて、最適な患者固有の戦略を推測することは、認知的に要求され、歴史的に変動しがちである。 本稿では, 子宮頸癌に対するHDR(High-Dose-Rate)ブレキセラピー(High-Dose-Rate, HDR)のコンテキストにおいて, この課題に対処する。 本稿では,ALMo(Aim-Limit-Defined Multi-Objective System)について述べる。 ALMoは、自動パラメータ設定による手動入力を最小限に抑え、毒性リスクに対する柔軟な制御を可能にする、新しい最適化フレームワークを採用している。 このシステムにより、医師は直感的な目的と制限値を直接操作することで、ドシメトリックトレードオフのパレート表面をナビゲートすることができる。 25症例の振り返り評価において、ALMoは手動の計画品質を一貫して満たしたり超えた治療計画を作成したが、そのうち65%はドシメトリックな改善を示した。 さらに,従来の30～60分に比べ,平均計画時間を約17分に短縮した。 ALMoは、ブラキセラピーにおいて検証されているが、多基準臨床意思決定における相互作用の合理化のための一般化された枠組みを実証している。

関連論文リスト

• An Automated Retrieval-Augmented Generation LLaMA-4 109B-based System for Evaluating Radiotherapy Treatment Plans [2.2532577733932038]
  我々は,LLaMA-4 109Bを用いた放射線治療計画の自動化,プロトコル認識,解釈可能な評価のためのRAGシステムを開発した。 RAGシステムは5つのSentenceTransformerバックボーンに最適化された検索エンジン、コホート類似性に基づくパーセンタイル予測コンポーネント、臨床制約チェッカーの3つのコアモジュールを統合している。
  論文  参考訳（メタデータ） (2025-09-25T03:18:31Z)
• Predicting Brain Tumor Response to Therapy using a Hybrid Deep Learning and Radiomics Approach [4.7766856771039725]
  本稿では,縦型MRI画像から介入応答を自動分類する手法を提案する。 本稿では,深層学習による特徴抽出と広い範囲の放射能と臨床選択された特徴を組み合わせた新しいハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-08T10:15:23Z)
• A learning-driven automatic planning framework for proton PBS treatments of H&N cancers [2.0765076553348316]
  逆パラメータは、タスク固有のデータ分布から学習することで更新ステップを予測する学習最適化(L2O)手法である。 実験では、両側または同側性H&N癌に合併した97人の患者を訓練と検査のために収集した。
  論文  参考訳（メタデータ） (2025-08-14T21:50:31Z)
• Conditional Diffusion Model with Anatomical-Dose Dual Constraints for End-to-End Multi-Tumor Dose Prediction [13.716930604289924]
  ADDiff-Doseは、エンドツーエンドの多腫瘍量予測のための解剖学的二重制約拡散モデルである。 マルチヘッドアテンション機構を介して条件特徴を組み込み、MSE、条件項、KLの発散を組み合わせた複合損失関数を利用する。 従来のベースラインよりも大幅に優れており、MAEは0.101-0.154、DICE係数は0.927、脊髄最大線量誤差は0.1Gyに制限されている。
  論文  参考訳（メタデータ） (2025-08-04T04:25:47Z)
• 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)
• 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)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• 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)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。