一种用于抗癌治疗的深度贝叶斯bandit方法：基于函数先验的探索
机器学习
2022-07-12 v2
摘要
利用机器学习学习个性化癌症治疗在提高癌症患者生存机会方面大有前景。尽管机器学习与精准肿瘤学近期取得进展，该方法仍具挑战性，因为在临床前/临床研究中为建模多种治疗效果收集数据通常是昂贵且耗时的过程。此外，治疗分配中的随机化被证明是次优的，因为部分参与者/样本在试验期间未接受最合适的治疗。为应对这一挑战，我们将药物筛选研究表述为一个“上下文bandit”问题，其中算法基于关于癌细胞系的上下文信息选择抗癌疗法，同时以“在线”方式调整其治疗策略以最大化治疗响应。我们提出使用一种新颖的深度贝叶斯bandit框架，该框架利用函数先验基于由基因组特征与药物结构组成的多模态信息近似后验以预测药物响应。我们在三个大规模体外药物基因组学数据集上实证评估了我们的方法，并表明我们的方法在识别给定细胞系的最优治疗方面优于若干基准。
引用
@article{arxiv.2205.02944,
title = {A Deep Bayesian Bandits Approach for Anticancer Therapy: Exploration via Functional Prior},
author = {Mingyu Lu and Yifang Chen and Su-In Lee},
journal= {arXiv preprint arXiv:2205.02944},
year = {2022}
}