論文の概要: Reinforcement Learning for Intelligent Healthcare Systems: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2108.04087v1
• Date: Thu, 5 Aug 2021 18:47:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 15:40:45.069916
• Title: Reinforcement Learning for Intelligent Healthcare Systems: A Comprehensive Survey
• Title（参考訳）: 知的医療システムのための強化学習:包括的調査
• Authors: Alaa Awad Abdellatif, Naram Mhaisen, Zina Chkirbene, Amr Mohamed, Aiman Erbad, Mohsen Guizani
• Abstract要約: 強化学習(Reinforcement Learning, RL)は、さまざまなアプリケーションやサービスに対して、さまざまな複雑な問題を解決するという、本質的なブレークスルーを目撃している。 本稿では、I-healthの文脈におけるRLの使用について、読者にその現状を深く理解するよう促すことができる。
• 参考スコア（独自算出の注目度）: 42.17523380108375
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The rapid increase in the percentage of chronic disease patients along with the recent pandemic pose immediate threats on healthcare expenditure and elevate causes of death. This calls for transforming healthcare systems away from one-on-one patient treatment into intelligent health systems, to improve services, access and scalability, while reducing costs. Reinforcement Learning (RL) has witnessed an intrinsic breakthrough in solving a variety of complex problems for diverse applications and services. Thus, we conduct in this paper a comprehensive survey of the recent models and techniques of RL that have been developed/used for supporting Intelligent-healthcare (I-health) systems. This paper can guide the readers to deeply understand the state-of-the-art regarding the use of RL in the context of I-health. Specifically, we first present an overview for the I-health systems challenges, architecture, and how RL can benefit these systems. We then review the background and mathematical modeling of different RL, Deep RL (DRL), and multi-agent RL models. After that, we provide a deep literature review for the applications of RL in I-health systems. In particular, three main areas have been tackled, i.e., edge intelligence, smart core network, and dynamic treatment regimes. Finally, we highlight emerging challenges and outline future research directions in driving the future success of RL in I-health systems, which opens the door for exploring some interesting and unsolved problems.
• Abstract（参考訳）: 最近のパンデミックに伴う慢性疾患患者の比率の急速な増加は、医療費と死因の増加に直ちに脅威をもたらす。 これにより、医療システムを1対1の患者治療からインテリジェントな医療システムに転換し、サービス、アクセス、スケーラビリティを改善し、コストを削減できる。 強化学習(rl)は、さまざまなアプリケーションやサービスのためのさまざまな複雑な問題を解決する上で、本質的なブレークスルーを目の当たりにしている。 そこで本稿では,知的医療(i-health)システムを支えるために開発されたrlの最近のモデルと技術について総合的な調査を行う。 本稿では,I-healthの文脈におけるRLの使用状況について,読者の理解を深める。 具体的には、まず、i-healthシステムの課題、アーキテクチャ、およびrlがこれらのシステムにどのように貢献できるかの概要を紹介する。 次に、異なるRL、Deep RL(DRL)およびマルチエージェントRLモデルの背景および数学的モデリングについてレビューする。 その後、i-healthシステムにおけるrlの応用について深い文献レビューを行う。 特に、エッジインテリジェンス、スマートコアネットワーク、動的治療体制の3つの主要な領域が取り組まれている。 最後に,新たな課題を浮き彫りにし,i-healthシステムにおけるrlの将来的な成功を推進するための今後の研究方向性を概説する。

関連論文リスト

• Comprehensive and Practical Evaluation of Retrieval-Augmented Generation Systems for Medical Question Answering [70.44269982045415]
  Retrieval-augmented Generation (RAG) は,大規模言語モデル (LLM) の性能向上のための有望なアプローチとして登場した。 医療用QAデータセットに様々な補助的要素を提供するMedRGB(MedRGB)を導入する。 実験結果から,検索した文書のノイズや誤情報の処理能力に限界があることが判明した。
  論文  参考訳（メタデータ） (2024-11-14T06:19:18Z)
• A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
  神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。 重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。 人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
  論文  参考訳（メタデータ） (2024-05-21T06:44:40Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• Towards Smart Healthcare: Challenges and Opportunities in IoT and ML [0.0]
  新型コロナウイルス(COVID-19)のパンデミックや他の健康危機は、世界中の医療サービスを促進する必要性を浮き彫りにした。 この章は、IoTヘルスケアセクターに機械学習メソッドを統合する際に直面するハードルを探求することに焦点を当てている。 現在の研究課題と潜在的な機会を包括的にまとめ、三つのシナリオに分類する。
  論文  参考訳（メタデータ） (2023-12-09T10:45:44Z)
• A Review of Reinforcement Learning for Natural Language Processing, and Applications in Healthcare [17.38031305999901]
  強化学習(Reinforcement Learning, RL)は、複雑な医学的意思決定問題に対処するための強力なアプローチである。 本稿では,NLPにおけるRL技術について概説し,医療における重要な進歩,課題,応用について述べる。 RLが会話戦略、RLに基づく機械翻訳モデル、質問応答システム、テキスト要約、情報抽出の学習を可能にする対話システムについて検討した。
  論文  参考訳（メタデータ） (2023-10-23T20:26:15Z)
• ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug Discovery [79.08833067391093]
  現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。 ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。 ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
  論文  参考訳（メタデータ） (2022-09-16T13:35:57Z)
• Smart Healthcare in the Age of AI: Recent Advances, Challenges, and Future Prospects [3.3336265497547126]
  スマートヘルスケアシステムは近年関心が高まりつつあるトピックであり、現代技術における大きな発展のためにますます必要となってきた。 本研究の目的は、健康モニタリングのためのウェアラブルやスマートフォンデバイス、疾患診断のための機械学習、環境支援生活環境向けに開発された社会ロボットを含む支援フレームワークなど、主要な分野を取り上げ、現在最先端のスマートヘルスケアシステムについて議論することである。
  論文  参考訳（メタデータ） (2021-06-24T05:10:47Z)
• pH-RL: A personalization architecture to bring reinforcement learning to health practice [6.587485396428361]
  本論文では、RLを健康に導くためのパーソナライゼーションのための一般的なRLアーキテクチャであるpH-RLを提案する。 オープンソースのRLアーキテクチャを実装し、メンタルヘルスのためのMoodBusterモバイルアプリケーションに統合します。 実験結果から, 開発方針は, わずか数日のデータを連続的に利用して適切な行動を選択できることが示唆された。
  論文  参考訳（メタデータ） (2021-03-29T19:38:04Z)
• Deep reinforcement learning in medical imaging: A literature review [17.13198095624744]
  deep reinforcement learning(drl)は、期待される報酬を最大化する一連のアクションを学習する強化学習フレームワークを強化する。 最近の研究は、医療と医療におけるDRLの大きな可能性を示している。
  論文  参考訳（メタデータ） (2021-03-05T15:12:49Z)
• Towards Continual Reinforcement Learning: A Review and Perspectives [69.48324517535549]
  我々は,連続的強化学習(RL)に対する異なる定式化とアプローチの文献レビューの提供を目的とする。 まだ初期段階だが、継続的なrlの研究は、よりインクリメンタルな強化学習者を開発することを約束している。 これには、医療、教育、物流、ロボット工学などの分野の応用が含まれる。
  論文  参考訳（メタデータ） (2020-12-25T02:35:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。