論文の概要: Closed-loop coupling of personalised and foundation models for real-time treatment guidance with MRI
- arxiv url: http://arxiv.org/abs/2607.00500v1
- Date: Wed, 01 Jul 2026 06:32:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.756425
- Title: Closed-loop coupling of personalised and foundation models for real-time treatment guidance with MRI
- Title（参考訳）: MRIを用いたリアルタイム治療指導のためのパーソナライズドモデルとファンデーションモデルの閉ループ結合
- Abstract要約: 画像誘導療法は解剖学的構造のリアルタイムターゲティングに依存している。
運動の存在下では、画像の遅延は観察された解剖学と真の解剖学の時間的ずれを生じさせ、治療の精度を損なう。
本稿では,患者固有の時間的予測を連続的セグメンテーションに基づく解剖学的解釈と相乗するクローズドループ結合フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image-guided therapies, including radiotherapy, biopsy and deep brain stimulation, rely on real-time targeting of anatomical structures. However, in the presence of motion, imaging latencies create a temporal misalignment between observed and true anatomy, compromising treatment accuracy. Artificial intelligence-based frameworks have increasingly been presented to close this latency gap, but leading personalised models can fail due to a lack of stable anatomical grounding. Foundation models can provide grounded behaviour, but they do not adapt to real-time, individual patient dynamics. Here we introduce a closed-loop coupling framework that synergises patient-specific temporal prediction with continuous segmentation-based anatomical interpretation from a foundation model. A personalised model predicts future anatomy to compensate for system latency, while a streaming foundation model provides anatomical supervision used to continuously update the temporal predictor in real time during treatment. We validate the framework using a digital phantom and intrafraction magnetic resonance imaging (MRI) from patients undergoing MRI-guided radiotherapy. For a prediction horizon of 400 ms, the proposed method improves anatomical prediction and reduces dosimetric error compared with existing approaches, within clinically relevant latency constraints. These results establish closed-loop coupling as a general strategy for real-time image-guided intervention.
- Abstract（参考訳）: 放射線治療、生検、深部脳の刺激を含む画像誘導療法は、解剖学的構造のリアルタイムなターゲティングに依存している。
しかし、動きの存在下では、画像の遅延は観察された解剖学と真の解剖学の時間的ずれを生じ、治療の精度を損なう。
人工知能ベースのフレームワークは、このレイテンシギャップを埋める傾向にあるが、主要なパーソナライズされたモデルは、安定した解剖学的基盤が欠如しているために失敗する可能性がある。
ファンデーションモデルは、基礎的な振る舞いを提供することができるが、リアルタイムで個々の患者ダイナミクスに適応しない。
本稿では,患者固有の時間的予測と,基礎モデルからの連続的セグメンテーションに基づく解剖学的解釈を併用するクローズドループ結合フレームワークを提案する。
パーソナライズされたモデルは、システムの遅延を補うために将来の解剖を予測し、ストリーミング基盤モデルは、治療中の時間予測を継続的に更新するために使用される解剖学的監督を提供する。
我々は,MRI誘導放射線治療中の患者から,デジタルファントムとイントラフラクションMRI(Intrafraction magnetic resonance imaging, MRI)を用いて,この枠組みを検証した。
400msの予測のために,提案手法は解剖学的予測を改善し,臨床的に関連する遅延制約の中で,既存のアプローチと比較してドシメトリック誤差を低減する。
これらの結果は、リアルタイム画像誘導介入の一般的な戦略としてクローズドループ結合を確立する。
関連論文リスト
- How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning? [49.14050864978079]
我々は,マルチビュー解剖学的入力を統一する評価フレームワークであるTime-Aware Multi-View MRI Benchmarkを紹介した。
このベンチマークは、3200の縦断MRIのタイムポイントにまたがる890人の患者から得られた、専門家が検証した質問応答ペア3,920名からなる。
論文 参考訳（メタデータ） (2026-08-13T14:35:20Z) - Adaptive Temporal Gating of Longitudinal Magnetic Resonance Imaging for Alzheimer's Prediction [4.549831511476248]
縦3次元MRIスキャンをモデル化したCNN-TransformerアーキテクチャであるTAF-Netを導入する。
3年間のMCI-AD変換予測のためのアルツハイマー病神経画像イニシアチブコホートの評価
論文 参考訳（メタデータ） (2026-05-27T12:33:46Z) - 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) - 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) - Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。
これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。
連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
論文 参考訳（メタデータ） (2025-11-06T20:16:33Z) - Multi-Task Diffusion Approach For Prediction of Glioma Tumor Progression [0.6978367196609415]
グリオーマは攻撃的な脳腫瘍であり、正確な進化予測に重大な課題をもたらす。
本稿では,グリオーマ進行の時間依存的,ピクセルワイドな予測のためのマルチタスク拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-13T14:42:46Z) - Temporally-Aware Diffusion Model for Brain Progression Modelling with Bidirectional Temporal Regularisation [7.097850157718258]
現在のアプローチでは、構造変化と時間間隔の関係を明示的に把握できない。
ほとんどのアプローチは2Dスライスベースのアーキテクチャに依存しており、3D解剖学的コンテキストを完全に無視している。
我々は,MRIボリュームの脳の進行を正確に予測する3次元時間認識拡散モデル(TADM-3D)を提案する。
論文 参考訳（メタデータ） (2025-09-03T08:51:38Z) - Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood [0.0]
本研究では,従来の単一モデルアプローチの制約を克服する目的で設計された,予測因果推論のための統合フレームワークを提案する。
具体的には、空間的健康状態推定のための隠れマルコフモデルと、時間的結果の軌跡を捉えるためのマルチタスクとマルチグラフ畳み込みネットワーク(MTGCN)を組み合わせる。
有用性を示すために,がん,認知症,パーキンソン病などの臨床領域に焦点を当て,治療効果を直接観察することが困難である。
論文 参考訳（メタデータ） (2025-07-11T03:11:15Z) - Spatiotemporal Graph Neural Network Modelling Perfusion MRI [12.712005118761516]
Per vascular MRI (pMRI) は腫瘍について貴重な洞察を与え、腫瘍の遺伝子型を予測することを約束する。
しかし、4D pMRIに合わせた効果的なモデルはまだ不足している。
本研究は,GNNモデルを用いた4次元pMRIのモデル化の試みである。
論文 参考訳（メタデータ） (2024-06-10T16:24:46Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳（メタデータ） (2022-03-28T14:03:45Z) - 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。