論文の概要: A optimization framework for herbal prescription planning based on deep reinforcement learning

• arxiv url: http://arxiv.org/abs/2304.12828v1
• Date: Tue, 25 Apr 2023 13:55:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-26 20:34:42.726310
• Title: A optimization framework for herbal prescription planning based on deep reinforcement learning
• Title（参考訳）: 深層強化学習に基づく漢方処方計画のための最適化フレームワーク
• Authors: Kuo Yang, Zecong Yu, Xin Su, Xiong He, Ning Wang, Qiguang Zheng, Feidie Yu, Zhuang Liu, Tiancai Wen and Xuezhong Zhou
• Abstract要約: 慢性疾患治療のための深層強化学習(PrescDRL)に基づくTCMハーブ処方計画フレームワークを提案する。 PrescDRLは、全てのステップで最大報酬を得るのではなく、長期的な効果に焦点を当てたシーケンシャルなハーバル処方の最適化モデルである。 以上の結果から,PrescDRLは,医師と比較して1段階の報酬が117%,153%改善した。
• 参考スコア（独自算出の注目度）: 7.995127222099328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Treatment planning for chronic diseases is a critical task in medical artificial intelligence, particularly in traditional Chinese medicine (TCM). However, generating optimized sequential treatment strategies for patients with chronic diseases in different clinical encounters remains a challenging issue that requires further exploration. In this study, we proposed a TCM herbal prescription planning framework based on deep reinforcement learning for chronic disease treatment (PrescDRL). PrescDRL is a sequential herbal prescription optimization model that focuses on long-term effectiveness rather than achieving maximum reward at every step, thereby ensuring better patient outcomes. We constructed a high-quality benchmark dataset for sequential diagnosis and treatment of diabetes and evaluated PrescDRL against this benchmark. Our results showed that PrescDRL achieved a higher curative effect, with the single-step reward improving by 117% and 153% compared to doctors. Furthermore, PrescDRL outperformed the benchmark in prescription prediction, with precision improving by 40.5% and recall improving by 63%. Overall, our study demonstrates the potential of using artificial intelligence to improve clinical intelligent diagnosis and treatment in TCM.
• Abstract（参考訳）: 慢性疾患の治療計画は、医学的人工知能、特に伝統中国医学(tcm)において重要な課題である。 しかし, 臨床経験の異なる慢性疾患患者に対して, 最適な逐次治療戦略を作成することは, さらなる探索を必要とする課題である。 本研究では,慢性疾患治療のための深層強化学習(PrescDRL)に基づくTCMハーブ処方計画フレームワークを提案する。 PrescDRLは、すべてのステップで最大報酬を得るのではなく、長期的な効果に焦点を当てたシーケンシャルなハーバル処方の最適化モデルである。 糖尿病の経時的診断と治療のための高品質ベンチマークデータセットを構築し,本ベンチマークに対するprescdrlの評価を行った。 以上の結果から,PrescDRLは,医師と比較して1段階の報酬が117%,153%改善した。 さらにprescdrlは処方薬の予測においてベンチマークを上回り、精度は40.5%向上し、リコールは63%向上した。 本研究は,TCMにおける臨床知能診断と治療の改善に人工知能を用いる可能性を示すものである。

関連論文リスト

• Medical Knowledge Integration into Reinforcement Learning Algorithms for Dynamic Treatment Regimes [1.4088763981769077]
  動的治療レジーム(DTR)は、臨床データから得られた決定規則に基づいて治療効果を高める。 強化学習(Reinforcement Learning, RL)アルゴリズムは、個々の患者データとその医療履歴によって規定されたこれらの決定ルールを決定することができる。 これらのモデルに医療専門知識を組み込むことで、治療勧告の信頼性を高め、医療専門家や患者によるこのアプローチの採用を促進することができる。
  論文  参考訳（メタデータ） (2024-06-29T08:23:01Z)
• DeepCRE: Transforming Drug R&D via AI-Driven Cross-drug Response Evaluation [19.93243592501178]
  我々は、薬物研究開発の後期において、クロスドラッグ反応評価(CRE)を効果的に予測するために設計された先駆的なAIモデルであるDeepCREを紹介する。 DeepCREは、患者レベルのCREの平均パフォーマンス改善を17.7%、指示レベルのCREを5倍に向上させることで、既存の最高のモデルより優れている。
  論文  参考訳（メタデータ） (2024-03-06T15:03:09Z)
• Biomimicry in Radiation Therapy: Optimizing Patient Scheduling for Improved Treatment Outcomes [0.0]
  本研究は,放射線治療領域(RT)におけるバイオミミクリー原則の統合と,患者スケジューリングの最適化について考察する。 複雑なオンラインスケジューリング問題に対処するため、3つのバイオインスパイアされたアルゴリズムが最適化に使用される。 本研究は,RTの患者スケジューリングの最適化に応用されたバイオインスパイアされたアルゴリズムの有効性を明らかにするものである。
  論文  参考訳（メタデータ） (2024-01-16T15:37:23Z)
• Safe and Interpretable Estimation of Optimal Treatment Regimes [54.257304443780434]
  我々は、最適な治療体制を特定するための安全かつ解釈可能な枠組みを運用する。 本研究は患者の医療歴と薬理学的特徴に基づくパーソナライズされた治療戦略を支援する。
  論文  参考訳（メタデータ） (2023-10-23T19:59:10Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• A Deep Bayesian Bandits Approach for Anticancer Therapy: Exploration via Functional Prior [13.368491963797151]
  機械学習によるパーソナライズされたがん治療は がん患者が生存する可能性を改善する 素晴らしい約束です 近年の機械学習と精度オンコロジーの進歩にもかかわらず、このアプローチは依然として困難である。 本稿では,がん細胞株の文脈情報に基づいて抗がん治療をアルゴリズムが選択する「コンテキスト・バンディット」問題として薬物スクリーニング研究を定式化する。 本稿では,ゲノム的特徴と薬物構造からなるマルチモーダル情報に基づく薬物応答予測のために,薬物応答予測に先行して機能的を利用する新しいディープベイズ・バンディット・フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-05T21:56:14Z)
• Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
  本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。 これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。 静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
  論文  参考訳（メタデータ） (2022-04-07T22:14:37Z)
• Health improvement framework for planning actionable treatment process using surrogate Bayesian model [1.2468700211588881]
  本研究は,データ駆動方式で治療プロセスを計画するための新しい枠組みを提案する。 このフレームワークの重要なポイントは、個人の健康改善のための「行動可能性」の評価である。
  論文  参考訳（メタデータ） (2020-10-30T06:02:49Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。