超越预测：强化学习是医疗 AI 的定义性飞跃
机器学习
2025-09-01 v1 人工智能
摘要
强化学习(RL)标志着人工智能在医疗保健领域应用的根本性转变。不同于仅预测结果，RL 主动决定干预措施并追求长期目标。与传统模型在固定关联上运作不同，RL 系统通过试错、反馈和长期奖励优化进行学习，带来了变革性的可能性和新的风险。从信息融合的视角来看，医疗 RL 通常整合来自生命体征、实验室检查、临床笔记、影像和设备遥测的多源信号，使用时间和决策水平机制。这些系统可在集中式、联邦或边缘架构中运行，以满足实时临床约束，自然跨越数据、特征和决策融合层。本综述将 RL 在医疗保健的崛起探讨为不仅仅是工具集合，而是向临床环境中代理智能的转变。我们首先通过医疗约束的视角构建 RL 技术的格局，包括基于模型和无模型方法、离线和批处理约束方法，以及新兴的奖励指定和不确定性校准策略。我们然后全面分析 RL 在关键护理、慢性病、精神健康、诊断和机器人辅助等应用中的情况，确定其趋势、空白和转化瓶颈。与以往综述不同，我们批判性地分析了 RL 的伦理、部署和奖励设计挑战，并综合出关于安全、人类对齐政策学习的经验教训。这篇论文既是技术路线图，也是对 RL 在医疗 AI 中作为预测机器而非代理临床智能的新兴变革作用的批判性反思。
引用
@article{arxiv.2508.21101,
title = {Beyond Prediction: Reinforcement Learning as the Defining Leap in Healthcare AI},
author = {Dilruk Perera and Gousia Habib and Qianyi Xu and Daniel J. Tan and Kai He and Erik Cambria and Mengling Feng},
journal= {arXiv preprint arXiv:2508.21101},
year = {2025}
}
备注
40 pages in total (including appendix)