深度强化学习识别了针对前列腺癌的个性化间歇性雄激素剥夺疗法

科学领域:

• 在瘤学瘤学.
• 计算生物学 计算生物学
• 药理学 药理学是指药理学的学科.

背景情况:

• 耐药性和瘤进展是癌症治疗的主要挑战.
• 目前的间歇性雄激素剥夺疗法 (IADT) 是基于人群的,缺乏个体患者的优化.
• 现有的IADT协议依赖于固定的值,无法适应患者特定的瘤动态.

研究的目的:

• 开发一个数据驱动的,针对前列腺癌的个性化IADT框架.
• 解决患者异质性问题,优化治疗策略,以改善治疗结果.
• 为了利用先进的建模和机器学习进行个性化癌症治疗.

主要方法:

• 开发了一个时间变化,混合效应和生成的Lotka-Volterra (tM-GLV) 模型,以捕捉患者特定的瘤进化和药物药理动力学.
• 为最佳药物管理政策提出了一个支持强化学习的个性化IADT (I$^{2}$ADT) 框架.
• 利用临床试验数据进行模型开发,验证和疗效评估.

主要成果:

• I$^{2}$ADT框架显著延长了前列腺癌患者的进展时间.
• 与传统方法相比,个性化方法导致累计药物剂量减少.
• 该模型的疗效进一步通过使用最近的试点临床试验数据进行了验证.

结论:

• 拟议的I$^{2}$ADT框架提供了一个个性化的自适应性癌症治疗方法.
• 这种数据驱动的方法显示了改善治疗疗效和减少前列腺癌中毒性的承诺.
• I$^{2}$ADT的适应性表明其在其他需要个性化治疗方案的癌症中具有潜在的应用.