基于强化学习的癌症化疗控制

arXiv:2611.12940v1 公告类型：新 摘要：强化学习近年来取得了巨大的成功。强化学习将其范围从 Atari、Go、Pokeman 和 Chess 等传统复杂游戏扩展到了现实生活场景建模，引起了研究人员的关注。个体化医疗和动态治疗方案就是两个这样的初步研究领域；研究人员目前正在集中精力。从观察到的真实临床数据估计最佳动态治疗方案正在研究人员中普及，将其范围扩大到更高级版本的强化学习算法。这项研究是关于一项研究，重点是在癌症化疗治疗背景下采用的强化学习技术。本论文主要通过最先进的强化学习技术来解决研究结果，这些技术用于生成顺序治疗的最佳策略，包括现有的在线强化学习方法。由此，将提出通过传统 Q 学习对癌症化疗的模拟。其次，该研究将扩展到在最优策略生成中使用离线强化学习。因此，所提出的解决方案遵循数据驱动的方法，适用于真实的人类结肠癌临床数据。所提出的解决方案的新颖性在于通过使用保守 Q 学习和基于模型的离线策略优化算法的基于模型的架构来实现离线强化学习方法。根据实验结果和评估，表明所提出的 Chemo RL 模型很好地解决了癌症化疗治疗安排的问题，并为初级肿瘤科医生决定治疗决策提供了支持模型。