对自主机械血栓切除术的强化学习算法进行基准测试
Farhana Moosa1, Harry Robertshaw1, Lennart Karstensen2
1School of Biomedical Engineering and Imaging Sciences, Kings College London, London, UK.
概括
本研究对自主机器人机械血栓切除术 (MT) 的强化学习算法进行了基准测试. 靠近策略优化在超参数调整后显示出最佳性能,突出显示了优化对机器人手术的重要性.
科学领域:
- 机器人和人工智能在医学中的应用
- 血管内干预 血管内干预
- 神经外科手术 神经外科手术
背景情况:
- 机械血栓切除术 (MT) 是急性缺血性中风的标准治疗方法.
- 目前的MT面临的挑战包括辐射暴露,操作员依赖和有限的访问.
- 自主机器人为这些局限性提供了潜在的解决方案.
研究的目的:
- 为了对自主机械血栓切除术 (MT) 的强化学习 (RL) 算法进行基准测试.
- 评估深度决定性政策梯度,双延迟深度决定性政策梯度,软行为者-批评和近距离政策优化.
- 在中风治疗中建立自主内血管导航的基准.
主要方法:
- 利用stEVE开源平台进行模拟内血管干预.
- 在模拟的MT程序中训练并评估RL算法用于导线导航.
- 探索了超参数调整对算法性能的影响,并根据MT基准进行了评估.
主要成果:
- 在调整之前,深度决定性政策梯度取得了80%的成功.
- 在调整后,近接策略优化实现了84%的成功率,缩短了程序时间.
- 在MT基准上,双延迟深度决定性政策梯度显示68%的成功率.
结论:
- 这项研究建立了MT中自主内血管导航的基准.
- 在这种情况下,超参数调整显著影响RL算法性能.
- 需要进一步的研究来确定自主MT的最佳RL算法.
