論文の概要: Comparing Optimization Models for Radiotherapy Scheduling
- arxiv url: http://arxiv.org/abs/2607.22539v1
- Date: Thu, 23 Apr 2026 09:21:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:38.952411
- Title: Comparing Optimization Models for Radiotherapy Scheduling
- Title（参考訳）: 放射線治療スケジューリングのための最適化モデルの比較
- Abstract要約: 放射線治療スケジュール問題(RTSP)は、放射線治療を受ける患者の最適なスケジュールを決定することを含む。
本稿では,2つの新しいグリーディ(RTSP First Fit と RTSP Best Fit )を開発し,それらをシミュレート・アニーリング (SA) アプローチのコンストラクタとして利用してスケジューリングを最適化する。
その結果, 小説は正確な手法に近い解を実現するとともに, メモリ使用量を劇的に削減していることがわかった。
- 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: The Radiotherapy Scheduling Problem (RTSP) involves determining an optimal schedule for patients undergoing radiation treatments, a task that has a massive impact on clinical outcomes given the central role of radiotherapy in cancer care. The daily batch approach--which consists of scheduling all the newly arrived patients together at the end of each day--modelled with Integer Linear Programming, is currently one of the most effective methods for the RTSP. However, this kind of formulation requires substantial computational resources in terms of time and memory. Here, we address these limitations by developing two novel greedy heuristics (named RTSP First Fit and RTSP Best Fit) and use them as constructive heuristics for a Simulated Annealing (SA) approach to optimize the scheduling. The proposed methods--the heuristics alone and their combination with SA--are evaluated on a publicly available dataset against an integer linear program formulation solved with two different state-of-the-art exact solvers. Evaluation metrics include six scheduling objectives capturing patient waiting times, preference satisfaction, and changes in linear accelerator assignment (aggregated in four different weight configurations), solving time, and memory consumption. The results show that the novel heuristics achieve solutions close to those of exact methods, while dramatically reducing runtime and memory usage; furthermore, when combined with SA, they further improve the solution quality while maintaining low runtime and memory usage.
- Abstract（参考訳）: 放射線療法スケジューリング問題(RTSP)は、放射線治療を受ける患者の最適なスケジュールを決定することを含み、がん治療における放射線療法の中心的役割を考えると、臨床結果に大きな影響を与える。
毎日のバッチアプローチは、毎日の終わりに到着したすべての患者をスケジューリングする — Integer Linear Programmingをモデルとして、現在、RTSPの最も効果的な方法の1つです。
しかし、この種の定式化は時間と記憶の点でかなりの計算資源を必要とする。
本稿では,2つの新しいグリーディヒューリスティック(RTSP First Fit と RTSP Best Fit )を開発し,スケジューリングを最適化するシミュレート・アニーリング (SA) アプローチのための構築的ヒューリスティックとして利用する。
提案手法は, 2種類の正解法で解いた整数線形プログラムの定式化に対して, 一般に利用可能なデータセット上で, ヒューリスティックスとSAの組み合わせだけで評価した。
評価指標には、患者待ち時間、嗜好満足度、線形加速器割り当ての変化(4つの異なる重み付けで集約)、問題解決時間、メモリ消費の6つのスケジューリング目標が含まれている。
その結果,新たなヒューリスティックスは,実行時とメモリ使用量を大幅に削減しつつ,正確なメソッドに近いソリューションを実現し,さらにSAと組み合わせることで,実行時とメモリ使用量の削減を図りながら,ソリューションの品質をさらに向上することがわかった。
関連論文リスト
- 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) - Random-Key Algorithms for Optimizing Integrated Operating Room Scheduling [0.16385815610837165]
本研究では,RKO(Random-Key)の概念を紹介する。
文献最適化問題には、マルチルームスケジューリング、機器スケジューリング、複雑な可用性制約が組み込まれている。
RKOアプローチは、連続空間の点として解を表し、デコーダとして知られる決定論的関数を介して問題解空間に写像される。
論文 参考訳（メタデータ） (2025-01-17T15:11:30Z) - Uplift modeling with continuous treatments: A predict-then-optimize approach [4.132346971686944]
アップリフトモデリングの目標は、どのエンティティが治療を受けるべきかを決定することで、特定の成果を最適化するアクションを推奨することである。
アップリフトモデリングは通常二項処理に重点を置いているが、現実の多くのアプリケーションは連続的に評価された処理によって特徴づけられる。
本稿では,揚力モデリングにおける連続的な処理を可能にする予測型最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-12T12:43:42Z) - Biomimicry in Radiation Therapy: Optimizing Patient Scheduling for Improved Treatment Outcomes [0.0]
本研究は,放射線治療領域(RT)におけるバイオミミクリー原則の統合と,患者スケジューリングの最適化について考察する。
複雑なオンラインスケジューリング問題に対処するため、3つのバイオインスパイアされたアルゴリズムが最適化に使用される。
本研究は,RTの患者スケジューリングの最適化に応用されたバイオインスパイアされたアルゴリズムの有効性を明らかにするものである。
論文 参考訳（メタデータ） (2024-01-16T15:37:23Z) - Maximize to Explore: One Objective Function Fusing Estimation, Planning,
and Exploration [87.53543137162488]
我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。
textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。
様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
論文 参考訳（メタデータ） (2023-05-29T17:25:26Z) - TCFimt: Temporal Counterfactual Forecasting from Individual Multiple
Treatment Perspective [50.675845725806724]
個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。
TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。
提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
論文 参考訳（メタデータ） (2022-12-17T15:01:05Z) - 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) - A Two-stage Framework and Reinforcement Learning-based Optimization
Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。
スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。
その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文 参考訳（メタデータ） (2021-03-10T03:16:12Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z) - DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。
本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-06T13:03:42Z) - Multicategory Angle-based Learning for Estimating Optimal Dynamic
Treatment Regimes with Censored Data [12.499787110182632]
最適な治療体制(DTR)は、長期的な利益を最大化するための一連の決定規則から構成される。
本稿では,マルチカテゴリ処理フレームワークを用いて,最適DTRをターゲットとした新しい角度ベースアプローチを提案する。
本稿では,条件付き生存関数の最大化の観点から,提案手法が競合手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-01-14T05:19:15Z)
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。