基于深度强化学习的化学药物剂量控制在癌症治疗中

科学领域:

• 计算生物学 计算生物学
• 人工智能在医学中的应用
• 药理学建模 药理学建模

背景情况:

• 癌症化疗需要最佳的药物剂量才能有效.
• 基于模型和强化学习 (RL) 的方法在准确建模现实世界化疗动态方面存在局限性.
• 深度增强学习 (DRL) 为连续空间控制提供了潜力,但在这个领域未得到充分利用.

研究的目的:

• 开发一种强大的,无模型的深度强化学习 (DRL) 方法,用于闭环癌症化疗药物剂量.
• 通过在原始无限空间中模拟患者状态和药物作用来实现化疗的自适应控制.
• 为优化癌症治疗提供一种更现实的,独立于专家的方法.

主要方法:

• 利用非线性药理学癌症模型进行患者模拟和动态捕获.
• 实施了一个经过训练的DRL网络,根据实时患者状态监测来调整药物剂量.
• 避免了问题离散,模拟状态变量和控制在连续空间中的动作,以提高现实性.

主要成果:

• 基于DRL的控制器在模拟癌症化疗治疗中表现出优异的性能,与最先进的RL方法相比.
• 拟议的方法显示了治疗持续时间和总药物管理的显著改善.
• 在各种模拟患者病例中观察到瘤细胞减少的速度增加.

结论:

• 基于DRL的无模型方法为癌症化疗控制提供了一种优越的方法.
• 在DRL中连续空间建模提高了治疗的现实性和有效性.
• 这种适应性DRL策略优化了药物剂量,缩短了治疗时间,并改善了瘤回归率.