arXiv cs.AI· Jayakody Kankanamalage Chamani Shiranthika·· 10 小时前AI 评分31
基于强化学习的癌症化疗治疗方案控制研究
Reinforcement Learning based control of Cancer Chemotherapy treatments
AI 导读
一项硕士论文研究用离线强化学习从真实人类结肠癌临床数据中生成化疗序贯治疗的最优策略，方法结合保守 Q-learning 与基于模型的离线策略优化算法。研究还通过传统 Q-learning 搭建了化疗仿真，实验评估显示该 Chemo RL 模型能较好地处理化疗给药排程问题，可辅助初级肿瘤科医生做治疗决策。该论文获 2021 年 IEEE 台北分会最佳硕士论文奖。
正文 · AI 翻译
摘要：强化学习近年来取得了巨大成功。其应用范围从 Atari、围棋、Pokeman 和国际象棋等传统复杂游戏，扩展到对现实生活场景的建模，引起了研究人员的关注。个性化医疗和动态治疗方案就是两个这样的初步研究领域；研究人员目前正将注意力集中于此。从观察性真实临床数据中估计最优动态治疗方案，正日益受到研究人员的青睐，并将其范围拓展到更先进的强化学习算法版本。
本研究是一项聚焦于在癌症化疗治疗背景下所采用的强化学习技术的研究。本论文主要通过用于生成序贯治疗最优策略的强化学习技术的最新进展（包括现有的在线强化学习方法）来阐述该研究的结果。因此，将展示一个通过传统 Q-learning 进行癌症化疗的模拟。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一种数据驱动的方法，该方法基于真实的人类结肠癌临床数据开展工作。
所提出解决方案的新颖之处在于，通过基于模型的架构，使用保守 Q-learning 和基于模型的离线策略优化算法，实现了离线强化学习方法。根据实验结果和评估，所提出的 Chemo RL 模型能够很好地应对癌症化疗治疗调度问题，并可作为初级肿瘤科医生做出治疗决策的支持性模型。
| 评论： | 台北大学硕士论文。于 2021 年获得 IEEE 台北分会最佳硕士论文奖 |
| 主题： | 人工智能 (cs.AI)；机器学习 (cs.LG) |
| 引用为： | arXiv:2611.12940 [cs.AI] |
| （或 arXiv:2611.12940v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.12940 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Chamani Shiranthika Jayakody Kankanamalage [查看电子邮件]
[v1]
2026 年 11 月 6 日星期五 16:31:55 UTC（7,729 KB）
来源：arXiv cs.AI · arxiv.org