A Hamiltonian Engine for Radiotherapy Optimization
Notice bibliographique
Résumé
We apply a new hardware and software platform called the Hamiltonian Engine for Radiotherapy Optimization (HERO) to the problem of Intensity-Modulated Radiation Therapy (IMRT) treatment planning. HERO solves large general-form binary optimization problems by decomposing them into sub-problems and approximating them using a quadratic pseudo-boolean function. Optimizing the resulting function becomes a quadratic unconstrained binary optimization (QUBO) problem, which has been widely studied and has numerous applications in various fields. A Quantum Annealer (QA) approach has been previously investigated to solve QUBO problems, including IMRT optimization. However, the QA can only accommodate a small number of variables and requires several hours to obtain optimized plans. HERO acts as an optimizer for QUBO problems, which not only addresses these shortcomings but also relies solely on conventional hardware design while operating at room temperature. We evaluate HERO on seven prostate IMRT cases with clinical objectives, each using approximately 6000 beamlets. Our method was compared to the commercial treatment planning software, Eclipse, for both time-to-solution and plan quality. HERO solves most cases in about 30 seconds, with significantly lower objective function scores than Eclipse. The results indicate that HERO is promising for radiation therapy optimization problems. Additionally, HERO has the potential to be applied to Volumetric-Modulated Arc Therapy (VMAT) and other complex types of treatment planning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».