面向医学登记数据的动态治疗策略的深度强化学习
人工智能
2018-01-30 v1 机器学习
摘要
本文提出了首个深度强化学习(DRL)框架，用于从观察性医学数据中估计最优动态治疗策略(Dynamic Treatment Regimes)。该框架比现有强化学习方法更灵活、更具适应性，可处理高维动作与状态空间，以建模异质性疾病进展与治疗选择中的现实复杂性，旨在为医生与患者提供数据驱动的个性化决策建议。所提出的 DRL 框架包括 (i) 一个监督学习步骤以预测最可能的专家动作，以及 (ii) 一个深度强化学习步骤以估计动态治疗策略的长期价值函数。两个步骤均依赖于深度神经网络。作为一个关键的动机示例，我们在国际骨髓移植研究中心(CIBMTR)登记数据库的数据集上实现了所提框架，重点关注移植后急性和慢性移植物抗宿主病的预防与治疗序列。在实验结果中，我们展示了在预测人类专家决策方面具有可观的准确性，以及基于 DRL 的动态治疗策略中高期望奖励函数。
引用
@article{arxiv.1801.09271,
title = {Deep Reinforcement Learning for Dynamic Treatment Regimes on Medical Registry Data},
author = {Ning Liu and Ying Liu and Brent Logan and Zhiyuan Xu and Jian Tang and Yanzhi Wang},
journal= {arXiv preprint arXiv:1801.09271},
year = {2018}
}