医疗健康中强化学习表示学习的实证研究
机器学习
2020-11-24 v1
摘要
强化学习(RL)近来被应用于脓毒症患者的序贯估计与预测问题,以识别并制定假设性治疗策略,尤其关注利用观测数据的离线学习。在实践中,成功的RL依赖于从序贯观测导出的信息性潜状态以制定最优治疗策略。迄今为止,如何在医疗环境中最佳地构建此类状态仍是一个开放问题。本文利用MIMIC-III数据集中脓毒症患者的数据,对若干信息编码架构进行实证研究以形成患者状态的表示。我们评估了表示维度、与既定疾病严重度评分的相关性,以及由此导出的治疗策略的影响。我们发现序贯形成的状态表示有助于批处理环境下的有效策略学习,验证了更审慎的表示学习方法,该方法忠实于医疗数据的序贯性与部分可观测性。
引用
@article{arxiv.2011.11235,
title = {An Empirical Study of Representation Learning for Reinforcement Learning in Healthcare},
author = {Taylor W. Killian and Haoran Zhang and Jayakumar Subramanian and Mehdi Fatemi and Marzyeh Ghassemi},
journal= {arXiv preprint arXiv:2011.11235},
year = {2020}
}
备注
To appear in proceedings of the 2020 Machine Learning for Health workshop at NeurIPS