利用深度 Q 学习从临床医生处学习医疗分诊
人工智能
2020-06-25 v2
摘要
医疗分诊对医疗系统至关重要，它使患者得到正确分流并分配必要资源以妥善治疗。虽然存在基于患者表征进行分诊的可靠决策树方法，但这些树隐式要求人类推理，无法直接应用于全自动化环境。另一方面，直接从专家学习分诊策略可纠正某些硬编码决策树的局限。本工作中，我们提出一种深度强化学习方法（DeepQ-Learning 的变体），利用精选临床短文对患者进行分诊。该数据集由 1374 篇临床短文组成，由医生创建以代表真实病例。每篇短文关联平均 3.8 个由仅依赖病史的医生给出的专家分诊决策。我们表明该方法与人类表现相当，在 94% 的病例中给出安全分诊决策，并在 85% 的病例中与专家决策一致。训练得到的智能体学会何时停止提问，获得比监督方法所需证据更少的优化决策策略，并通过询问更多信息来适应情境的新颖性。总体而言，我们证明深度强化学习方法可直接从专家决策学习有效的医疗分诊策略，无需专家知识工程。该方法可扩展，可部署于具有不同分诊规范或训练有素专家稀缺的医疗环境或地理区域，以改善照护早期阶段的决策。
引用
@article{arxiv.2003.12828,
title = {Learning medical triage from clinicians using Deep Q-Learning},
author = {Albert Buchard and Baptiste Bouvier and Giulia Prando and Rory Beard and Michail Livieratos and Dan Busbridge and Daniel Thompson and Jonathan Richens and Yuanzhao Zhang and Adam Baker and Yura Perov and Kostis Gourgoulias and Saurabh Johri},
journal= {arXiv preprint arXiv:2003.12828},
year = {2020}
}
备注
17 pages, 4 figures, 3 tables, preprint, in press