Temas acerca de Inteligencia Artificial
Foto de Usuario
AnthonyHuaccachi

Ranking Troomes
Mensajes: 7
Registrado: 07 May 2020, 11:33

Aprendizaje por reforzamiento en el campo de medicina

Mensaje por AnthonyHuaccachi » 28 Jun 2021, 23:58

[1] Deep Reinforcement Learning in Medicine

En la medicina, mucho de los problemas de decisión son secuenciales por naturaleza. Cuando un paciente visita a un médico, el medico debe decir que tratamiento administrar al paciente. Una vez este cumple con el periodo corto de tratamiento, este debe regresar para continuar con su tratamiento, pero su estaba actual ya habrá cambiado, es decir, afecta su estado actual y la próxima decisión con respecto al tratamiento futuro. Este tipo de problema de decisión se puede modelar de manera efectiva como un Proceso de decisión de Markov (MDP) y resolverse usando algoritmos de aprendizaje por reforzamiento.
En la mayoría de los sistemas de IA implementados en medicina, se ignora la naturaleza secuencial de las decisiones y los sistemas en cambio, sus decisiones se basan exclusivamente en la corriente de estados del paciente. En ese sentido, el aprendizaje por reforzamiento ofrece una alternativa diferente de solución, teniendo en cuenta no solamente el efecto inmediato del tratamiento según el estado del paciente, sino también en el beneficio a largo plazo para este.
A pesar de estos potenciales beneficios que tendría la aplicación de algoritmos de RF en la medicina, este presenta una serie de obstáculos que deben superarse para poder ser aplicables en hospitales. Los algoritmos de RL típicamente aprenden por ensayo y error, estas estrategias de tratamiento exploratorios en pacientes no son una opción en la práctica. Es por eso que estos algoritmos tendrían que aprender a partir de datos existentes recopilados mediante estrategias de tratamientos fijos, a este proceso se le denomina off-policy learning y juega un papel importante en algoritmos de RL y especialmente en entornos de médicos.
Otro tema es establecer cuál sería la recompensa, que determinara el comportamiento de la política optima. Por esa razón, la importancia de definir una recompensa apropiada implica sopesar diferentes factores entre sí, como el costo del tratamiento versus la esperanza de vida del paciente. Sin embargo, este dilema no es exclusivo de RL.

[2] Treating epilepsy via adaptive neurostimulation: a reinforcement learning approach

En este articulo se presenta una nueva metodología de estrategia optima de neuroestimulación para el tratamiento de epilepsia, esta tiene como objetivo modular automáticamente los parámetros de neuroestimulación basados en la función de la señal observada, para minimizar la frecuencia y duración de convulsiones. Esta estrategia de neuroestimulación adaptativa es capaz de aprender del entrenamiento de los datos adquiridos de los tejidos cerebrales de animales. Como resultados, se obtiene que esta metodología reducirá eficazmente la incidencia de convulsiones, mientras que se minimiza la cantidad de estimulación aplicada.

Conclusiones:

El aprendizaje por reforzamiento tiene un alto potencial de uso que se ven reflejados en aplicaciones medicas criticas, pero también presenta algunas barreras de aplicación en ciertas situaciones que se deberían de replantear para poder hacer uso de estas. Finalmente, el uso del aprendizaje por reforzamiento permitirá al paciente tener un eficiente tratamiento a favor de su salud y un eficaz uso de recursos por parte de las entidades de salud.

Referencias:

1. Jonsson A. Deep Reinforcement Learning in Medicine. Kidney Dis (Basel). 2019 Feb;5(1):18-22. doi: 10.1159/000492670. Epub 2018 Oct 12. PMID: 30815460; PMCID: PMC6388442.
2. Pineau J, Guez A, Vincent R, Panuccio G, Avoli M. Treating epilepsy via adaptive neurostimulation: a reinforcement learning approach. Int J Neural Syst. 2009 Aug;19(4):227-40. doi: 10.1142/S0129065709001987. PMID: 19731397; PMCID: PMC4884089.


Responder