論文の概要: Enhancing Personalized Bladder Cancer Treatment Through Reinforcement Learning: A Recurrent Patient State Transition Decision Support Framework

• arxiv url: http://arxiv.org/abs/2607.16916v1
• Date: Sat, 18 Jul 2026 18:16:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.301065
• Title: Enhancing Personalized Bladder Cancer Treatment Through Reinforcement Learning: A Recurrent Patient State Transition Decision Support Framework
• Title（参考訳）: 強化学習によるパーソナライズされた膀胱癌治療の強化:再発患者の状態遷移決定支援フレームワーク
• Abstract要約: 膀胱がん治療にはパーソナライズされた適応的な意思決定が必要である。 本稿では,膀胱癌治療計画のための再発患者の状態遷移シミュレーションフレームワークを提案する。 予測状態遷移モデリングとMarkov Decision Process(MDP)とDeep Q-Network(DQN)強化学習環境を統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bladder cancer treatment requires personalized and adaptive decision-making, particularly for recurrent disease, where treatment effectiveness changes across successive clinical episodes. Conventional clinical decision support systems typically rely on static treatment guidelines or single-step predictive models, limiting their ability to capture disease progression over time. This paper presents a recurrent patient state-transition simulation framework for bladder cancer treatment planning that integrates predictive state-transition modeling with a Markov Decision Process (MDP) and a Deep Q-Network (DQN) reinforcement learning environment. The predictive module estimates changes in tumor characteristics following treatment, while the reinforcement learning agent sequentially optimizes treatment decisions by interacting with simulated patient trajectories. This framework enables dynamic, patient-specific treatment planning by continuously adapting recommendations to evolving clinical states. It also generates interpretable treatment trajectories and detailed simulation logs to improve transparency and support clinical decision-making. The proposed framework was evaluated against existing reinforcement learning-based treatment planning approaches. It achieved a cumulative reward of 63,918.87, an average training loss per episode of 0.0056, and a policy improvement score of 6.62%, demonstrating effective sequential learning and robust treatment optimization in a simulated recurrent treatment environment. These findings highlight the potential of recurrent patient state-transition simulation with reinforcement learning as a flexible decision-support framework for personalized bladder cancer treatment planning and AI-assisted precision oncology.
• Abstract（参考訳）: 膀胱癌治療には、パーソナライズされた適応的な意思決定が必要であり、特に再発性疾患では、連続する臨床エピソード間で治療効果が変化する。 従来の臨床診断支援システムは、通常、静的治療ガイドラインや単段階予測モデルに依存しており、時間とともに疾患の進行を捉える能力を制限する。 本稿では, 膀胱癌治療計画のための再発患者状態遷移シミュレーションフレームワークについて, 予測状態遷移モデリングをマルコフ決定プロセス(MDP)とディープQネットワーク(DQN)強化学習環境に統合する。 予測モジュールは治療後の腫瘍特性の変化を推定し、強化学習エージェントはシミュレートされた患者軌跡と相互作用して治療決定を逐次最適化する。 このフレームワークは、進化する臨床状態に継続的にレコメンデーションを適用することで、動的で患者固有の治療計画を可能にする。 また、解釈可能な治療トラジェクトリと詳細なシミュレーションログを生成し、透明性を改善し、臨床的な意思決定を支援する。 提案手法は,既存の強化学習に基づく治療計画手法に対して評価された。 累積報酬は63,918.87、平均トレーニング損失0.0056、政策改善スコア6.62%を達成し、シミュレートされた反復処理環境での効果的な逐次学習と堅牢な治療最適化を実証した。 これらの知見は, 個別膀胱癌治療計画とAI支援精度オンコロジーのためのフレキシブルな意思決定支援フレームワークとして, 強化学習を用いた再発患者の状態遷移シミュレーションの可能性を強調した。

関連論文リスト

• EHR-MPC: Inference-Time Control for Sepsis Treatment with Generative Patient Digital Twins [3.229417465367373]
  既存の強化学習アプローチは、敗血症治療のための固定戦略を学ぶ。 EHRMPCは,患者動態を最適な治療から切り離すフレームワークである。
  論文  参考訳（メタデータ） (2026-07-07T19:24:41Z)
• 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)
• ALPACA: A Reinforcement Learning Environment for Medication Repurposing and Treatment Optimization in Alzheimer's Disease [2.0411082897313984]
  本稿では、パーソナライズされた治療戦略を検討するために、アルツハイマー学習プラットフォーム(Alzheimer's Learning Platform for Adaptive Care Agents, ALPACA)を紹介する。 ALPACAは、アルツハイマー病神経画像イニシアチブ(ADNI)の経時的軌跡に基づいて訓練された連続行動条件状態遷移(CAST)モデルによって駆動される 以上の結果から, ALPACA で訓練された RL は, 記憶関連疾患に対する非治療的および行動閉鎖的クリニックベースラインを上回り, 自己回帰的にリアルな薬物調和トラジェクトリーを生成できることが示唆された。
  論文  参考訳（メタデータ） (2026-02-22T18:22:14Z)
• Medical World Model: Generative Simulation of Tumor Evolution for Treatment Planning [50.16114813279694]
  臨床診断に基づいて将来の疾患状態を視覚的に予測する医用世界モデル(MeWM)を紹介する。 MeWMは、(i)政策モデルとして機能する視覚言語モデルと、(ii)ダイナミックスモデルとして腫瘍生成モデルから構成される。 シミュレーション後腫瘍に対する生存解析を適用した逆ダイナミクスモデルを提案し,治療効果の評価と最適な臨床行動計画の選択を可能にした。
  論文  参考訳（メタデータ） (2025-06-02T23:50:40Z)
• POETREE: Interpretable Policy Learning with Adaptive Decision Trees [78.6363825307044]
  POETREEは、ポリシー学習を解釈するための新しいフレームワークである。 患者の観察と医療史に基づいて、医師の行動を決定する確率的ツリーポリシーを構築する。 これは、リアルおよび合成医療データセットの最先端を上回ります。
  論文  参考訳（メタデータ） (2022-03-15T16:50:52Z)
• 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)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• 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)
• 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。