基于注意力的无监督强化学习与聚类用于解释性腹症治疗
机器学习
2026-01-21 v1
摘要
腹症是 ICU 中导致死亡人数的前列因素，及时准确的治疗决策可以显著影响患者预后。在本工作中，我们提出了一个解释性决策支持框架。我们的系统整合了四个核心组件： (1) 基于聚类的分层模块，使用聚类和统计验证将患者分为低、中、高风险组，基于 ICU 入院时进行分类； (2) 利用变分自编码器 (VAE) 和扩散模型的合成数据增强管道，用于丰富 underrepresented trajectories，如液体或利尿剂的给药； (3) 使用 Advantage Weighted Regression (AWR) 训练的无监督强化学习 (RL) 智能体，配合轻量级注意力编码器，并由集成模型支持，用于保守、安全的治疗建议； (4) 由多模态大语言模型 (LLM) 提供动力的依据生成模块，产生基于临床背景和检索到的专家知识的自然语言依据。我们在 MIMIC-III 和 eICU 数据集上评估了该方法，达到了高治疗准确率，同时为临床医生提供了可解释且稳健的策略建议。
引用
@article{arxiv.2601.14228,
title = {Attention-Based Offline Reinforcement Learning and Clustering for Interpretable Sepsis Treatment},
author = {Punit Kumar and Vaibhav Saran and Divyesh Patel and Nitin Kulkarni and Alina Vereshchaka},
journal= {arXiv preprint arXiv:2601.14228},
year = {2026}
}
备注
8 pages, 6 figures, Conference: IEEE International Conference on Machine Learning and Applications 2025 (ICMLA 2025): https://www.icmla-conference.org/icmla25/