基于体外数据的精准肿瘤学情境_bandit 算法生物学合理基准

精准肿瘤学，即对肿瘤进行基因测序以识别可成药靶点，已成为许多癌症治疗的标准疗法。然而，由于疗法开发的速度以及患者信息的变异性，以样本高效的方式为个体治疗分配设计有效方案仍是一项重大挑战。一种有前景的解决思路是将精准肿瘤学治疗构建为情境_bandit（contextual bandit）问题，并应用为此场景下最小化后悔值而设计的序列决策算法。然而，考虑在高风险临床决策中采用该方法的一个明确前提是进行仔细的基准测试，以理解现实的成本与收益。在此，我们提出一个基于约 900 个癌细胞系真实体外药物反应的基准数据集，用于评估情境_bandit 算法。具体而言，我们整理了一组来自先前体外研究的 7 种治疗的完整治疗反应数据集。这使我们能够利用生物学合理的反事实计算所提出决策策略的后悔值。我们在基准上运行了一套贝叶斯 bandit 算法，发现相较于源自当前临床实践的基于规则的基线，这些方法在一系列治疗分配任务上累积了更少的后悔值。当基因组信息作为情境被纳入时，该效应更为显著。我们期望本工作能成为评估基于 bandit 的临床决策支持在真实世界测试中独特结构要求与伦理影响的起点。