阿尔茨海默病药物再定位与治疗优化的强化学习环境
人工智能
2026-02-24 v1
摘要
使用临床试验评估阿尔茨海默病 (AD) 的个体化、顺序性治疗策略往往不切实际，因为疾病时间跨度长且患者间差异大。为此，我们提出阿尔茨海默病自适应护理智能体学习平台 (ALPACA)，这是一个开源的、兼容 Gym 的强化学习 (RL) 环境，用于系统性地探索个体化治疗策略。ALPACA 由基于连续动作条件状态转换 (CAST) 模型驱动，后者在阿尔茨海默病神经影像计划 (ADNI) 的纵向轨迹上进行训练，使其能够在替代治疗决策下模拟疾病进展。我们表明 CAST 能自回归生成真实的药物条件轨迹，训练于 ALPACA 中的 RL 策略在记忆相关结果上优于无治疗和行为克隆的临床医生基线。解释性分析进一步表明，所学策略在选择动作时依赖于临床上有意义的患者特征。总体而言，ALPACA 为研究 AD 的个体化顺序治疗决策提供了一个可重复使用的体外测试平台。
引用
@article{arxiv.2602.19298,
title = {ALPACA: A Reinforcement Learning Environment for Medication Repurposing and Treatment Optimization in Alzheimer's Disease},
author = {Nolan Brady and Tom Yeh},
journal= {arXiv preprint arXiv:2602.19298},
year = {2026}
}