Pasar al contenido principal

Resultados relacionados

Resultados totales (Incluyendo duplicados): 2
Encontrada(s) 1 página(s)

RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
Publicación Contribución de congreso (ConferenceOutput)

Estudio con simulaciones Monte Carlo del espectro de neutrones en una sala de tratamiento de protonterapia

  • Díaz-Comeche, A.
  • Oliver-Gil, Sandra|||0000-0001-8258-3972
  • Juste-Vidal, Belen-Jeanne|||0000-0003-1978-3765
  • Miró Herrero, Rafael|||0000-0003-1012-0869
  • Verdú Martín, Gumersindo Jesús|||0000-0001-5098-080X
[ES] La protonterapia es una técnica radioterapéutica que consiste en acelerar protones hasta energías de entre 70 y 250 MeV. Su principal ventaja frente a las terapias que emplean fotones o electrones es que la dosis radiactiva se deposita de manera más localizada, por lo que aparecen menos efectos secundarios. Durante este proceso se generan neutrones con energías de hasta 230 MeV, como producto de reacciones (p,n) en el cabezal del acelerador. Estos neutrones contribuyen a la dosis recibida por el paciente, pero normalmente no se tienen en cuenta al planificar el tratamiento. Determinar el espectro energético de los neutrones es fundamental debido a que la dosis que depositan depende, en mayor medida, de su energía. En este trabajo se ha empleado un algoritmo MLEM (Maximum Likelihood Expectation-Maximization) para determinar el espectro neutrónico producido en un cabezal de protonterapia. Dicho espectro se ha reconstruido a partir de simulaciones Monte Carlo en MCNP6.3 que recrean las medidas obtenidas por un espectrómetro de esferas Bonner situado en la salida del cabezal. Las simulaciones Monte Carlo realizadas sirven como primer paso para la medición de un espectro de neutrones experimental en una instalación de protonterapia, así como para la futura validación de modelos que intenten representar las condiciones propias de dichas instalaciones. El espectro obtenido mediante el procedimiento descrito se ajusta al proporcionado por otros trabajos publicados previamente, en los cuales también se han empleado métodos de Monte Carlo. Así, queda demostrada la fiabilidad de la metodología seguida. Se ha estudiado también la variación del espectro resultado de cambiar los parámetros de entrada del algoritmo MLEM, determinando los más eficaces para reconstrucción de espectros de estas características. Así, con este trabajo se abre la puerta a futuras investigaciones en el área de la protonterapia, técnica de especial interés y que ha experimentado un gran auge en los últimos años.
RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
Publicación Contribución de congreso (ConferenceOutput)

Personal Data Flows and Privacy Policy Traceability in Third-party LLM Apps in the GPT Ecosystem

  • Carrillo-Moraga, Juan Carlos
  • Martin-Navarro, Jose Luis|||0000-0002-4503-4189
  • Such Aparicio, José Miguel|||0000-0002-6041-178X
  • Ma, Rongjun
[EN] The rapid growth of platforms for customizing Large Language Models (LLMs), such as OpenAI's GPTs, has raised new privacy and security concerns, particularly related to the exposure of user data via third-party API integrations in LLM apps. To assess privacy risks and data practices, we conducted a large-scale analysis of OpenAI¿s GPTs ecosystem. Through the analysis of 5,286 GPTs and the 44,102 parameters they use through API calls to external services, we systematically investigated the types of user data collected, as well as the completeness and discrepancies between actual data flows and GPTs' stated privacy policies. Our results highlight that approximately 35% of API parameters enable the sharing of sensitive or personally identifiable information, yet only 15% of corresponding privacy policies provide complete disclosure. By quantifying these discrepancies, our study exposes critical privacy risks and underscores the need for stronger oversight and support tools in LLM-based application development. Furthermore, we uncover widespread problematic practices among GPT creators, such as missing or inaccurate privacy policies and a misunderstanding of their privacy responsibilities. Building on these insights, we propose design recommendations that include actionable measurements to improve transparency and informed consent, enhance creator responsibility, and strengthen regulation., This research was partially funded by the INCIBE s strategic SPRINT (Seguridad y Privacidad en Sistemas con Inteligencia Artificial) C063/23 project with funds from the EU-NextGenerationEU through the Spanish government s Plan de Recuperación, Transformación y Resiliencia; by the Spanish Government via project PID2023- 151536OB-I0; and by the Generalitat Valenciana via project PROMETEO CIPROM/2023/23.