通过在大语言模型处理的历史记录上训练的赌博机算法进行先验知情的治疗推荐优化
机器学习
2025-10-23 v1 人工智能
摘要
当前的医疗实践依赖于标准化治疗框架和经验方法，忽略了患者的个体差异，导致健康结果欠佳。我们开发了一个集成大型语言模型 (LLMs)、条件表格生成对抗网络 (CTGAN)、T-learner 反事实模型和上下文赌博机方法的综合系统，以提供定制化的、数据驱动的临床推荐。该方法利用 LLMs 将非结构化医疗叙述处理成结构化数据集（准确率 93.2%），使用 CTGANs 生成逼真的合成患者数据（通过双样本验证准确率为 55%），部署 T-learners 预测患者特定的治疗反应（准确率 84.3%），并集成先验知情的上下文赌博机，通过有效平衡对新可能性的探索与对现有知识的利用来增强在线治疗选择。在 III 期结肠癌数据集上的测试表明，我们的 KernelUCB 方法在 5,000 轮中获得了 0.60-0.61 的平均奖励分数，超过了其他参考方法。该综合系统克服了在线学习环境中的冷启动限制，提高了计算效率，并构成了向适应特定患者特征的个体化医学迈出的重要一步。
引用
@article{arxiv.2510.19014,
title = {Prior-informed optimization of treatment recommendation via bandit algorithms trained on large language model-processed historical records},
author = {Saman Nessari and Ali Bozorgi-Amiri},
journal= {arXiv preprint arXiv:2510.19014},
year = {2025}
}