論文の概要: A Guideline-Aware AI Agent for Zero-Shot Target Volume Auto-Delineation

• arxiv url: http://arxiv.org/abs/2603.09448v1
• Date: Tue, 10 Mar 2026 10:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.21731
• Title: A Guideline-Aware AI Agent for Zero-Shot Target Volume Auto-Delineation
• Title（参考訳）: ゼロショット目標容積自動記述のためのガイドライン対応AIエージェント
• Abstract要約: 新たなガイドライン対応AIフレームワークであるOncoAgentを紹介する。 OncoAgentはテキストの臨床ガイドラインを3次元の目標輪郭にシームレスに無訓練で変換する。 このフレームワークはゼロショットを代替食道ガイドラインや他の解剖学的部位に一般化する。
• 参考スコア（独自算出の注目度）: 6.639622698899548
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Delineating the clinical target volume (CTV) in radiotherapy involves complex margins constrained by tumor location and anatomical barriers. While deep learning models automate this process, their rigid reliance on expert-annotated data requires costly retraining whenever clinical guidelines update. To overcome this limitation, we introduce OncoAgent, a novel guideline-aware AI agent framework that seamlessly converts textual clinical guidelines into three-dimensional target contours in a training-free manner. Evaluated on esophageal cancer cases, the agent achieves a zero-shot Dice similarity coefficient of 0.842 for the CTV and 0.880 for the planning target volume, demonstrating performance highly comparable to a fully supervised nnU-Net baseline. Notably, in a blinded clinical evaluation, physicians strongly preferred OncoAgent over the supervised baseline, rating it higher in guideline compliance, modification effort, and clinical acceptability. Furthermore, the framework generalizes zero-shot to alternative esophageal guidelines and other anatomical sites (e.g., prostate) without any retraining. Beyond mere volumetric overlap, our agent-based paradigm offers near-instantaneous adaptability to alternative guidelines, providing a scalable and transparent pathway toward interpretability in radiotherapy treatment planning.
• Abstract（参考訳）: 放射線治療における臨床標的容積(CTV)の描写には、腫瘍の位置と解剖学的障壁によって制約される複雑なマージンが含まれる。 ディープラーニングモデルは、このプロセスを自動化しますが、専門家がアノテートしたデータへの厳格な依存は、臨床ガイドラインが更新されるたびに、コストがかかります。 この制限を克服するために、テキスト臨床ガイドラインを3次元の目標輪郭にシームレスに学習自由な方法で変換する新しいガイドライン対応AIエージェントフレームワークであるOncoAgentを紹介した。 CTVでは0.842、計画目標容積では0.880のゼロショットDice類似係数を達成し、完全に教師されたnnU-Netベースラインに匹敵する性能を示す。 特に臨床評価では、医師は監督された基準よりもOncoAgentを強く好んで、ガイドラインの遵守、修正努力、臨床受容性が高いと評価した。 さらに、このフレームワークはゼロショットを代替食道ガイドラインや他の解剖学的部位(例えば前立腺など)に再トレーニングすることなく一般化する。 我々のエージェントベースのパラダイムは、単なるボリュームオーバーラップ以外にも、代替ガイドラインへの即時適応性を提供し、放射線治療計画における解釈可能性へのスケーラブルで透明な経路を提供する。

関連論文リスト

• Anatomy-Change-Aware Bidirectional Selective State-Space Memory for Clinically Deployed Thoracic Radiotherapy Auto-Contouring [0.6439594960617159]
  DAMM-Net++は胸部放射線治療のための2.5Dアーキテクチャである。 これはスライス表面の不整合、小さな低コントラストターゲットの系統的故障、ケースごとの信頼性信号の欠如に対処する。 平均Diceは0.955、HD95は3.78mmで、低コントラストの臓器のリスクが最も高い。
  論文  参考訳（メタデータ） (2026-09-11T11:13:06Z)
• ResidencyRL: Reinforcement Learning in Simulated Clinical Environments [53.76751756107077]
  臨床人工知能(AI)エージェントを模擬多ターン臨床で訓練するための強化学習(RL)手法であるResidencyRLを提案する。 ホールドアウト評価では、ResidencyRLエージェントは、対向条件下で診断精度を7.0%向上させる。 盲目の専門医はこれらの利得を検証し、訓練されたエージェントをサイドバイサイド比較の87.6%で好んだ。
  論文  参考訳（メタデータ） (2026-08-07T17:04:41Z)
• Analyzing and Improving Fine-grained Preference Optimization in Medical LVLMs [53.697403481143404]
  LVLM(Large Vision-Language Models)は、医用画像処理タスクにおいて強力なパフォーマンスを実現している。 しかし、実際の不整合、視力の低下、臨床的に有意義なフィードバックによる不一致が続く傾向にある。
  論文  参考訳（メタデータ） (2026-06-10T18:35:36Z)
• Agentifying Patient Dynamics within LLMs through Interacting with Clinical World Model [57.78184285979881]
  敗血症治療推奨のための世界モデル拡張LDMエージェントであるSepsisAgentを紹介する。 SepsisAgentは、学習された臨床世界モデルを使用して、候補の流体圧薬の介入下での患者の反応をシミュレートする。
  論文  参考訳（メタデータ） (2026-05-14T11:50:00Z)
• An Agentic LLM-Based Framework for Population-Scale Mental Health Screening [0.3568466510804538]
  本稿では,ロバストなLLMパイプライン構築のためのエージェントフレームワークを提案する。 トランスクリプトベースの検出における概念実証は、フレームワークが安定した構成に収束することを証明している。 結果は、大規模な臨床データセット上で集団レベルのメンタルヘルススクリーニングを可能にするエージェントAIの可能性を強調している。
  論文  参考訳（メタデータ） (2026-05-13T06:08:43Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Modeling and Control of a Pneumatic Soft Robotic Catheter Using Neural Koopman Operators [3.2642164905437503]
  ソフトなロボットカテーテルシステムを構築するために,ニューラルネットワークで強化されたクープマン演算子フレームワークを提案する。 心房アブレーションにおけるX線透視における放射線被曝の最小化の必要性から,オープンループ制御戦略について検討した。 提案手法は平均誤差が2.1 +- 0.4 mm、方向が4.9 +- 0.6 である。
  論文  参考訳（メタデータ） (2026-03-04T14:36:22Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Sample-Efficient Learning with Online Expert Correction for Autonomous Catheter Steering in Endovascular Bifurcation Navigation [9.822810178672782]
  強化学習(Reinforcement Learning, RL)は, 自律型カテーテルステアリングにおいて有望なアプローチである。 本稿では,自動カテーテルステアリングのためのオンライン専門家補正機能を備えたサンプル効率のよいRLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T07:58:08Z)
• ALMo: Interactive Aim-Limit-Defined, Multi-Objective System for Personalized High-Dose-Rate Brachytherapy Treatment Planning and Visualization for Cervical Cancer [38.24269895136321]
  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。
  論文  参考訳（メタデータ） (2026-02-14T08:24:38Z)
• Bladder Vessel Segmentation using a Hybrid Attention-Convolution Framework [1.6270825077960571]
  膀胱がんの監視には、反復的介入による腫瘍部位の追跡が必要であるが、変形可能で中空の膀胱は、向き付けのための安定したランドマークを欠いている。 CNNの前にトランスフォーマーを組み合わせてグローバルな容器トポロジをキャプチャするハイブリッドアテンション・コンボリューションアーキテクチャを導入する。 構造接続を優先するために、Transformerはショートブランチとターミナルブランチを除外した最適化された真実データに基づいて訓練される。
  論文  参考訳（メタデータ） (2026-02-10T16:34:17Z)
• ClinAlign: Scaling Healthcare Alignment from Clinician Preference [46.61989657665566]
  今回,HealthRubricsについて紹介する。 119は広く再利用され、臨床的に根ざした原則である。 私たちのフレームワークでトレーニングされた30B-A3BモデルはHealthBench-Hardで33.4%を達成した。
  論文  参考訳（メタデータ） (2026-02-10T11:02:57Z)
• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• CancerGUIDE: Cancer Guideline Understanding via Internal Disagreement Estimation [18.396334867873307]
  NCCN(National Comprehensive Cancer Network)は、がん治療のためのエビデンスベースのガイドラインを提供している。 複雑な患者のプレゼンテーションをガイドラインに準拠した治療レコメンデーションに翻訳することは時間集約的であり、専門的な専門知識を必要とし、エラーを起こしやすい。 非小細胞肺癌患者に対するガイドライン適合治療軌跡を自動生成するためのエージェントベースアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-09T01:49:29Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• FUTransUNet-GradCAM: A Hybrid Transformer-U-Net with Self-Attention and Explainable Visualizations for Foot Ulcer Segmentation [0.0]
  糖尿病性足潰瘍 (DFUs) の自動分節は, 臨床診断, 治療計画, 縦断的創傷モニタリングにおいて重要な役割を担っている。 従来の畳み込みニューラルネットワーク(CNN)は、強力なローカライゼーション機能を提供するが、長距離空間依存のモデル化に苦慮している。 視覚変換器(ViT)のグローバルアテンション機構をU-Netフレームワークに統合するハイブリッドアーキテクチャであるFUTransUNetを提案する。
  論文  参考訳（メタデータ） (2025-08-04T11:05:14Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)

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。