Temas acerca de Inteligencia Artificial
Foto de Usuario
jose.corzo.y@uni.pe

Ranking Troomes
Mensajes: 9
Registrado: 07 May 2020, 17:56

Aprendizaje por reforzamiento en la medicina

Mensaje por jose.corzo.y@uni.pe » 28 Jun 2021, 23:31

Aprendizaje por reforzamiento en la medicina

[1] Deep Reinforcement Learning for Dynamic Treatment Regimes on Medical Registry Data

El problema que se presenta es que los sistemas de apoyo a la toma de decisiones basados ​​en datos para el cuidado de la salud para facilitar a los médicos la entrega de decisiones médicas personalizadas no son suficientes para proporcionar al médico y a los pacientes recomendaciones de decisiones personalizadas.

Se presenta un marco general de aprendizaje por refuerzo profundo, que se puede utilizar para resolver problemas complicados con grandes espacios de acción y estado. La técnica de aprendizaje por refuerzo profundo consta de dos fases: una fase de construcción de una red neuronal profunda (DNN) fuera de línea y una fase de Q-learning profundo en línea

Los autores proponen un marco sistemático para el aprendizaje de refuerzo profundo en datos de observación médica con un seguimiento a largo plazo para suficientes pacientes de un grupo de enfermedad enfocado.

El marco modela la complejidad de la vida real en la progresión heterogénea de la enfermedad y las opciones de tratamiento, con el objetivo de proporcionar al médico y a los pacientes recomendaciones de decisiones personalizadas basadas en datos.

[2] Order-free Medicine Combination Prediction with Graph Convolutional Reinforcement Learning

El problema que se presenta es que los estudios sobre Predicción de Combinación de Medicamentos(PCM) ignoran las correlaciones entre los medicamentos (es decir, la PCM se formula como una tarea de clasificación binaria), o bien asumen que existe una correlación secuencial entre los medicamentos (es decir, la PCM se formula como una tarea de predicción secuencial).

Los autores proponen un modelo de aprendizaje de refuerzo convolucional para la PCM, denominada Red de Predicción de Medicamentos(CompNet), que aborda el problema presentado. CompNet plantea la PCM como un problema de Proceso de Decisión de Markov (MDP) sin orden y diseña un mecanismo de Aprendizaje Q-Learning (DQL) para aprender las interacciones correlativas y adversas entre los medicamentos.

Como conclusión se ha presentado un nuevo modelo denominado CompNet para la PCM, que capta las correlaciones útiles entre los medicamentos, al tiempo que elimina las suposiciones poco razonables sobre los pedidos de medicamentos realizadas en trabajos anteriores. Se ha verificado la eficacia de CompNet mediante amplios experimentos con un conjunto de datos de referencia para PCM. Los resultados han demostrado que los módulos propuestos en CompNet aportan mejoras y alcanza el mejor rendimiento en comparación con los métodos más avanzados.

Conclusiones

El Aprendizaje por reforzamiento es muy útil en el campo de la medicina ya que pueden ayudar a facilitar a los médicos la entrega de decisiones médicas personalizadas o a capta las correlaciones útiles entre los medicamentos.

Referencias:

1. Ying Liu; Brent Logan; Ning Liu; Zhiyuan Xu; Jian Tang; Yangzhi Wang. (2017) Deep Reinforcement Learning for Dynamic Treatment Regimes on Medical Registry Data. 2017 IEEE International Conference on Healthcare Informatics (ICHI)

2. Shanshan Wang, Pengjie Ren, Zhumin Chen, Zhaochun Ren, Jun Ma, and Maarten de Rijke. 2019. Order-free Medicine Combination Prediction with
Graph Convolutional Reinforcement Learning. In The 28th ACM International Conference on Information and Knowledge Management


José Luis Corzo Yalle
Estudiante de Ingeniería de Sistemas
Universidad Nacional de Ingeniería


Responder