针对个性化肺癌查计划的强化学习:一个嵌套的病例控制研究
Zixing Wang1,2, Xin Sui3, Wei Song3
1Peking University People's Hospital, Peking University Hepatology Institute, Beijing Key Laboratory of Hepatitis C and Immunotherapy for Liver Diseases, Beijing, China.
Cancer medicine
|July 1, 2024
概括
这项研究引入了强化学习 (RL) 来创建个性化肺癌查计划,比目前的指南提高了准确性. RL模型提供了一种更强大,更易于解释的方法来管理肺结节.
科学领域:
- 肺部医学 肺部医学
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 目前的肺结节管理指南依赖于严格的,基于规则的后续协议.
- 这些指导方针缺乏针对个体患者需求和结节特征的个性化策略.
研究的目的:
- 使用强化学习 (RL) 开发个性化查计划.
- 评估基于RL的政策模型在治疗肺结节的有效性.
主要方法:
- 一个回顾性的嵌套病例对照研究,使用来自国家肺部查试验的数据.
- 在10,164个决策事件中训练RL模型,包括结节和患者数据.
- 与已建立的基于规则的指南 (NCCN,中国指南) 进行RL模型性能比较.
主要成果:
- RL模型确定了结节/患者因子和最佳后续间隔之间的复杂相互作用.
- 基于RL的政策模型证明了诊断准确度的提高,减少了错误诊断,错误诊断和延迟诊断率.
- 表现最好的RL模型在特定的患者和结节子组中表现优异.
结论:
- 强化学习为个性化肺癌查提供了一种临床上可解释和可靠的方法.
- 基于RL的方法有可能显著提高当前的肺癌查系统.
