多器官疾病护理的进步：基于层次化多智能体强化学习框架
人工智能
2025-08-08 v2 机器学习
摘要
在医疗领域，多器官系统疾病具有独特且重大的挑战，因为它们同时影响多个生理系统，要求复杂且有协调性的治疗策略。尽管近期在基于AI的临床决策支持系统方面取得了进展，但这些解决方案仅关注单个器官系统，未能考虑器官之间复杂的相互关联。这种狭隘的关注 greatly 限制了其在现实世界中为整体且临床可操作的治疗方案推荐方面的效果。为此，我们提出一种新的层次化多智能体强化学习(HMARL)框架。我们的体系结构为每个器官系统部署专用且专注的智能体，并通过智能体间的通信实现跨器官系统的协同决策。此外，我们引入双层状态表示技术，以在全局和器官-specific 级别具体化患者状况，从而提高治疗决策的准确性和相关性。我们在多器官疾病的常见且关键疾病腹膜炎管理任务上，对HMARL解决方案进行了定性和定量评估。该方法学习到有效且符合临床实践的治疗政策，显著改善了患者生存率。我们认为，该框架代表了临床决策支持系统的重大进步，首次提出专为多器官治疗推荐而设计的RL解决方案。我们的解决方案超越了当前简化的单器官模型，后者在解决多器官疾病的复杂性方面不足。
引用
@article{arxiv.2409.04224,
title = {Advancing Multi-Organ Disease Care: A Hierarchical Multi-Agent Reinforcement Learning Framework},
author = {Daniel J. Tan and Qianyi Xu and Kay Choong See and Dilruk Perera and Mengling Feng},
journal= {arXiv preprint arXiv:2409.04224},
year = {2025}
}