利用新型强化学习算法实现个性化医疗
摘要
在计算机科学和医学领域，针对对治疗反应各异的患者制定个性化治疗策略引起了极大关注。具体而言，本研究旨在寻找一种最优的个性化治疗策略，该策略是患者特定协变量数据的非确定性函数，能够最大化预期生存时间或临床结果。我们开发了一个算法框架，用于解决具有可变阶段数且受删失（censoring）影响的多阶段决策问题，其中“奖励”为预期生存时间。具体来说，我们开发了一种新型 Q-learning 算法，能够动态调整这些参数。此外，我们得出了由该算法构建的治疗路径的泛化误差的有限上界。我们还证明，当最优 Q 函数属于近似空间时，由该算法构建的治疗方案所对应的预期生存时间将收敛至最优治疗路径。通过模拟研究以及对慢性抑郁症数据和假设临床试验的分析，我们展示了所提出算法框架的性能。我们开发的删失 Q-learning 算法比现有的临床决策支持系统更有效，并且能够在许多协变量参数无法获取或被删失的环境中运行。
引用
@article{arxiv.1406.3922,
title = {Personalized Medical Treatments Using Novel Reinforcement Learning Algorithms},
author = {Yousuf M. Soliman},
journal= {arXiv preprint arXiv:1406.3922},
year = {2014}
}
备注
This paper has been withdrawn by the author. Some of the work was taken from the work of Dr. Yair Goldberg and Dr. Michael R. Kosorok and they have requested for the paper to be withdrawn. arXiv admin note: v1 had substantial text overlap with arXiv:1202.5130, arXiv:1205.6659; and text overlap with arXiv:1301.2158 by other authors without attribution