Fugu-MT 論文翻訳(概要): Adaptive Chemotherapy Control under Tumor Heterogeneity via Reinforcement Learning

論文の概要: Adaptive Chemotherapy Control under Tumor Heterogeneity via Reinforcement Learning

arxiv url: http://arxiv.org/abs/2609.12264v1
Date: Thu, 10 Sep 2026 22:42:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-15 07:38:31.561696
Title: Adaptive Chemotherapy Control under Tumor Heterogeneity via Reinforcement Learning
Title（参考訳）: 腫瘍不均一性を考慮した強化学習による適応的化学療法制御
Abstract要約: 閉鎖ループ深部強化学習(DRL)法と連続(TD3)法と離散(DQN)法を高次元異種腫瘍モデルで訓練した離散(DQN)法とを比較検討した。その結果,シミュレーション学習されたDRLは,オープンループ最適制御ベンチマークを補完する状態依存フィードバック量ポリシーを学習できることがわかった。
参考スコア（独自算出の注目度）: 4.00700063243877
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Designing effective chemotherapy regimens is hindered by tumor heterogeneity and drug resistance, which complicate the deployment of patient-specific model-based optimal control across diverse populations. We develop and compare closed-loop deep reinforcement learning (DRL) dosing policies with continuous (TD3) and discrete (DQN) action spaces trained on a high-dimensional heterogeneous tumor model. The DRL policies are benchmarked against a Pontryagin's Maximum Principle (PMP)-derived open-loop benchmark. We assess generalization under parametric heterogeneity using a 100-patient virtual cohort with plus or minus 10 percent uniform perturbations in growth and drug-sensitivity parameters. Across this cohort, TD3 achieves higher average tumor reduction, while DQN yields tighter inter-patient dosing consistency, revealing a clear efficacy-consistency trade-off in this study. Our simulations assume full observation of all tumor subpopulations; translation to sparse and noisy clinical measurements will require partial-observability formulations and/or state estimation. Overall, the results show that simulation-trained DRL can learn state-dependent feedback dosing policies that complement open-loop optimal control benchmarks.
Abstract（参考訳）: 効果的な化学療法レギュラーの設計は腫瘍の不均一性と薬剤耐性によって妨げられ、様々な集団にわたって患者固有のモデルベース最適制御の展開が複雑になる。閉鎖ループ深部強化学習(DRL)法と連続(TD3)法と離散(DQN)法を高次元異種腫瘍モデルで訓練した離散(DQN)法とを比較検討した。 DRLポリシーは、ポントリャーギンの最大原理(PMP)由来のオープンループベンチマークに対してベンチマークされる。我々は,100人以上の仮想コホートを用いたパラメトリックな不均一性の下での一般化を,成長と薬剤感受性パラメータの均一な摂動のプラスまたはマイナス10%を用いて評価した。このコホート全体にわたって、TD3はより平均的な腫瘍の縮小を達成する一方、DQNは患者間の服用一貫性を強くし、本研究で明らかな有効性整合性トレードオフを示す。本研究は,全腫瘍亜集団の完全な観察を前提とし,スパースおよびノイズ測定への変換は,部分可観測性定式化および/または状態推定を必要とする。その結果,シミュレーション学習したDRLは,オープンループ最適制御ベンチマークを補完する状態依存フィードバック量ポリシーを学習できることがわかった。

関連論文リスト

AI-Augmented Adaptive Digital Twin Modeling for Brain Tumor Evolution Prediction and Treatment Scheduling [13.239769357659412]
本稿では,脳腫瘍の進展予測と治療計画のための適応型デジタルツイン(DT)フレームワークを提案する。このフレームワークは、解釈可能な反応拡散(RD)モデル、モデル形状補正のための3次元残留学習モジュール、患者固有のDT更新を統合している。
論文参考訳（メタデータ） (2026-07-15T14:26:14Z)
D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文参考訳（メタデータ） (2026-05-21T09:55:42Z)
Recurrent Deep Reinforcement Learning for Chemotherapy Control under Partial Observability [6.650703382349715]
記憶増強政策が部分的可観測性の下で化学療法制御を改善できるかどうかを検討する。 10個のランダム種子にまたがって、再現性は完全な可観測性の下では控えめな利益をもたらすが、部分可観測性の下ではより強く、より安定した性能が得られる。
論文参考訳（メタデータ） (2026-05-04T13:00:55Z)
Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。 StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
論文参考訳（メタデータ） (2026-04-14T02:37:46Z)
Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
論文参考訳（メタデータ） (2026-03-08T09:54:08Z)
DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
論文参考訳（メタデータ） (2025-10-16T07:31:21Z)
SoC-DT: Standard-of-Care Aligned Digital Twins for Patient-Specific Tumor Dynamics [13.83306392535935]
スタンダード・オブ・ケア(SoC)療法下での腫瘍軌跡の正確な予測は、腫瘍学において大きな未解決の課題である。反応拡散腫瘍成長モデルを統一する微分可能なフレームワークであるStandard-of-Care Digital Twin(SoC-DT)を紹介する。また, SoC 処理時の安定性, 肯定性, スケーラビリティを確保するために, 暗黙的に指数関数的な時間差解決器 IMEX-SoC も提案されている。
論文参考訳（メタデータ） (2025-09-29T04:14:11Z)
MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
論文参考訳（メタデータ） (2025-03-18T15:39:44Z)
Efficient Deep Learning-based Forward Solvers for Brain Tumor Growth Models [18.222267022441734]
非常に攻撃的な脳腫瘍であるグリオ芽腫は、予後不良と高い死亡率のために大きな課題となる。偏微分方程式に基づくモデルは、治療効果を高める有望なポテンシャルを提供する。本稿では,勾配に基づく最適化とニューラルフォワード解法を併用してキャリブレーション時間を大幅に短縮する手法を提案する。
論文参考訳（メタデータ） (2025-01-14T16:10:25Z)
DTR-Bench: An in silico Environment and Benchmark Platform for Reinforcement Learning Based Dynamic Treatment Regime [18.443316087890324]
強化学習(Reinforcement Learning, RL)は、個人化医療における動的治療体制(DTR)を最適化する可能性の認知度を高めている。多様な医療シナリオをシミュレートするベンチマークプラットフォームであるtextitDTR-Benchを紹介した。我々はこれらの設定の様々な最先端のRLアルゴリズムを評価し、特に実世界の課題の中でその性能を強調した。
論文参考訳（メタデータ） (2024-05-28T21:40:00Z)
Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
論文参考訳（メタデータ） (2022-01-31T20:58:47Z)

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。