論文の概要: Belief-Space Control for Personalized Cancer Treatment via Active Inference

• arxiv url: http://arxiv.org/abs/2606.10376v2
• Date: Mon, 15 Jun 2026 21:06:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 15:01:46.513456
• Title: Belief-Space Control for Personalized Cancer Treatment via Active Inference
• Title（参考訳）: 能動推論によるパーソナライズド癌治療のための信念空間制御
• Authors: Deniz Sargun, H. Bugra Tulay, C. Emre Koksal,
• Abstract要約: がん治療を能動推論を用いた信念空間計画問題としてモデル化する。 我々は,AACRプロジェクト GENIE Biopharma Collaborative データセットから得られた実際のがんデータを用いて,この枠組みを実装した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cancer treatment is at the core a sequential decision-making problem with partial observability, latent patient heterogeneity, and explicit constraints on the budget for medical measurements. Unlike standard Reinforcement Learning (RL) approaches that control state trajectories, cancer treatments permanently modify patients' transition dynamics, changing how states evolve over time. We model cancer treatment as a belief-space planning problem using active inference, deriving an expected free-energy objective that unifies goal-directed control and information acquisition under measurement budgets without. We implement this framework using real clinical cancer data from the AACR Project GENIE Biopharma Collaborative dataset. Results on clinical data demonstrate a simultaneous patient categorization and high treatment efficacy, under real measurement and treatment constraints.
• Abstract（参考訳）: がん治療は、部分的な可観測性、潜伏した患者の不均一性、および医療測定の予算に対する明示的な制約を伴う、連続的な意思決定問題の中核にある。 状態軌跡を制御する標準的な強化学習(RL)アプローチとは異なり、がん治療は患者の遷移ダイナミクスを永久に修正し、時間とともに状態がどのように進化するかを変える。 我々は,がん治療を能動推論を用いた信念空間計画問題としてモデル化し,目標指向の制御と情報取得を計測予算なしで統一する,期待される自由エネルギー目標を導出する。 我々は,AACRプロジェクト GENIE Biopharma Collaborative データセットから得られた実際のがんデータを用いて,この枠組みを実装した。 臨床データから,実測および治療制約下での同時患者分類と高い治療効果が示された。

関連論文リスト

• Confounder Detection via Treatment Intent: A New Observational Study Design [69.50062870487349]
  我々は、治療意図による共同設立者検出と呼ばれる新しい研究設計を導入する。 このアイデアは、治療決定を行う人間の専門家に問い合わせ、ペアのユニットの比較を依頼する。 ICUで収集された電子的健康記録が未確認のコンファウンディングの対象であることの実証的証拠を示す。
  論文  参考訳（メタデータ） (2026-05-26T00:41:47Z)
• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• Identifying and Characterising Response in Clinical Trials: Development and Validation of a Machine Learning Approach in Colorectal Cancer [0.45835414225547183]
  精密医療は、臨床結果を大幅に改善する個別の治療を提供することで、医療を変革することを約束する。 現在のアプローチは治療の成功の静的な測定に限られており、ほとんどの臨床試験で繰り返し見られる措置を無視している。 提案手法は,ヴァーチャルツインズ法に基づく条件付きモデリングと処理効果推定を併用する。 肝転移性大腸癌に対する Panitumumab の有用性を検討した。
  論文  参考訳（メタデータ） (2026-02-28T18:00:26Z)
• CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
  CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。 時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
  論文  参考訳（メタデータ） (2025-12-08T20:42:10Z)
• Censoring-Aware Tree-Based Reinforcement Learning for Estimating Dynamic Treatment Regimes with Censored Outcomes [4.877686100899469]
  Censoring-Aware Tree-Based Reinforcement Learning (CA-TRL)は、検閲データに関連する複雑さに対処する新しいフレームワークである。 本稿では,SANADエピレプシー・データセットを用いた広範囲なシミュレーションと実世界の応用を通して,その効果を実証する。
  論文  参考訳（メタデータ） (2025-03-09T16:53:09Z)
• Towards AI-Based Precision Oncology: A Machine Learning Framework for Personalized Counterfactual Treatment Suggestions based on Multi-Omics Data [0.05025737475817938]
  本稿では,個別のがん治療提案のためのモジュール型機械学習フレームワークを提案する。 このフレームワークは、データ駆動がん研究に固有の重要な課題に対処するように調整されている。 本手法は,臨床医に現実的な意思決定支援ツールを提供することを目的としている。
  論文  参考訳（メタデータ） (2024-02-19T14:54:20Z)
• 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)
• Health improvement framework for planning actionable treatment process using surrogate Bayesian model [1.2468700211588881]
  本研究は,データ駆動方式で治療プロセスを計画するための新しい枠組みを提案する。 このフレームワークの重要なポイントは、個人の健康改善のための「行動可能性」の評価である。
  論文  参考訳（メタデータ） (2020-10-30T06:02:49Z)
• 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)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。