个性化癌症化疗方案：基于模型与无模型调度方法的性能与鲁棒性数值比较
机器学习
2019-09-04 v3 机器学习
摘要
强化学习算法在最优调度至关重要的领域中日益流行，肿瘤学也不例外。癌症复杂而不确定的动力学特性限制了传统基于模型的调度策略（如最优控制）的性能。受近期无模型深度强化学习（DRL）在具有挑战性的控制任务及医疗方案设计方面成功的启发，我们使用深度Q网络（DQN）和深度确定性策略梯度（DDPG）来设计个性化癌症化疗方案。我们表明二者均成功完成了该任务，并在存在不确定性的情况下优于最优控制解。此外，我们表明DDPG比DQN能更有效地消灭癌症，这或许归因于其连续动作空间。最后，我们就训练所需样本量提供了一些见解。
引用
@article{arxiv.1904.01200,
title = {Personalized Cancer Chemotherapy Schedule: a numerical comparison of performance and robustness in model-based and model-free scheduling methodologies},
author = {Jesus Tordesillas and Juncal Arbelaiz},
journal= {arXiv preprint arXiv:1904.01200},
year = {2019}
}
备注
Minor changes