基于强化学习的阿尔茨海默病疾病进展模型
机器学习
2021-11-03 v2
摘要
我们通过结合微分方程（DEs）、强化学习（RL）与领域知识对阿尔茨海默病（AD）进展进行建模。DEs 提供了与 AD 相关部分（但非全部）因素之间的关系。我们假设缺失的关系必须满足关于大脑运作的一般准则，例如最大化认知同时最小化支持认知的代价。这使我们能够利用 RL 优化捕捉上述准则的目标（奖励）函数，从而提取缺失关系。我们使用由 DEs（作为模拟器）与训练好的 RL 智能体组成的模型，基于合成与真实数据的基线（第 0 年）特征预测个体化的 10 年 AD 进展。该模型在预测 10 年认知轨迹方面与最先进的基于学习的模型相当或更优。我们的可解释模型展示并提供了对减轻 AD 影响的“恢复/代偿”过程的见解，尽管这些过程并未在模型中显式编码。我们的框架将 DEs 与 RL 结合用于 AD 进展建模，并对理解其他神经疾病具有广泛适用性。
引用
@article{arxiv.2106.16187,
title = {Reinforcement Learning based Disease Progression Model for Alzheimer's Disease},
author = {Krishnakant V. Saboo and Anirudh Choudhary and Yurui Cao and Gregory A. Worrell and David T. Jones and Ravishankar K. Iyer},
journal= {arXiv preprint arXiv:2106.16187},
year = {2021}
}
备注
10 pages main text, 3 page references, 11 page appendix