論文の概要: Robust Reinforcement Learning for Dynamic Treatment Regimes under Model and Measurement Uncertainty

• arxiv url: http://arxiv.org/abs/2610.22336v1
• Date: Thu, 15 Oct 2026 17:54:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.27005
• Title: Robust Reinforcement Learning for Dynamic Treatment Regimes under Model and Measurement Uncertainty
• Title（参考訳）: モデルと測定の不確かさを考慮した動的処理規則のロバスト強化学習
• Abstract要約: 我々は適応的な治療方針を学習するための堅牢な強化学習フレームワークを開発する。 患者を隠れコンテキストとしてモデル化することにより、一般化と堅牢性を統一的に解決する。 前立腺転移に対する適応的治療の枠組みを臨床データに校正したシミュレーターに応用し,総括的かつ堅牢な治療方針を得た。
• 参考スコア（独自算出の注目度）: 9.200819872822578
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a robust reinforcement learning (RL) framework for learning adaptive treatment policies that generalize across patients and remain reliable under errors in the measured biomarker and shifts in the disease dynamics. By modeling the patient as a hidden context, we address generalization and robustness in a unified manner through robust contextual Markov decision processes. Applying our framework to adaptive therapy for metastatic prostate cancer in a simulator calibrated to clinical data, we obtain generalizable and robust policies that substantially outperform the existing adaptive therapy method. In particular, we attain robustness with almost no loss of performance when the biomarker is accurate and the disease evolves as anticipated, and find that the resulting policy Pareto-dominates the existing method across a diverse array of scenarios. Our findings suggest that robust RL holds great promise as a principled methodology for learning reliable adaptive treatment policies.
• Abstract（参考訳）: 本研究は,患者を対象とする適応的治療方針を学習し,バイオマーカーの誤差や疾患のダイナミクスの変化に対する信頼性を維持するための,頑健な強化学習(RL)フレームワークを開発する。 患者を隠れたコンテキストとしてモデル化することにより、ロバストな文脈的マルコフ決定プロセスを通じて、一般化と堅牢性を統一的に解決する。 前立腺転移に対する適応療法の枠組みを臨床データに校正したシミュレーターに応用し,既存の適応療法法を大幅に上回る汎用的かつ堅牢な治療法を得た。 特に,バイオマーカーが正確で,疾患が予想通りに進展すると,パフォーマンスがほとんど損なわれることなく,ロバスト性が得られ,その結果,Pareto-doは様々なシナリオで既存手法を支配下に置いた。 以上の結果から,ロバストなRLは信頼性の高い適応的治療ポリシーを学習するための原則的手法として大いに有望であることが示唆された。

関連論文リスト

• Enhancing Personalized Bladder Cancer Treatment Through Reinforcement Learning: A Recurrent Patient State Transition Decision Support Framework [0.0]
  膀胱がん治療にはパーソナライズされた適応的な意思決定が必要である。 本稿では,膀胱癌治療計画のための再発患者の状態遷移シミュレーションフレームワークを提案する。 予測状態遷移モデリングとMarkov Decision Process(MDP)とDeep Q-Network(DQN)強化学習環境を統合する。
  論文  参考訳（メタデータ） (2026-07-18T18:16:44Z)
• Set-Valued Policy Learning [17.33185980499072]
  本稿では,複数処理設定のための政策学習パラダイムを提案する。 提案手法は,新しいテキスト・グラデスト・ロウアー・バウンド法により複数の処理に拡張し,未観測の地道的最適処理と推定された最適処理規則のギャップを埋めるテキスト・コンフォーマル・ポリシー学習を導入する。
  論文  参考訳（メタデータ） (2026-05-19T13:24:26Z)
• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Doubly Robust Fusion of Many Treatments for Policy Learning [7.943530359935207]
  治療群間での共変量を安定的にバランスするキャリブレーション重み付き処理融合法を提案する。 我々は、一貫性、治療融合のオラクル特性、後悔境界を含む理論的保証を確立する。 本手法の実用性について,全国の電子健康記録由来の非識別データベースを用いて概説する。
  論文  参考訳（メタデータ） (2025-05-12T21:55:57Z)
• 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)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• Optimizing Medical Treatment for Sepsis in Intensive Care: from Reinforcement Learning to Pre-Trial Evaluation [2.908482270923597]
  本研究の目的は, 介入を最適化する強化学習(RL)が, 学習方針の治験に対する規制に適合する経路を遡及的に得る枠組みを確立することである。 我々は,死の主な原因の一つであり,複雑で不透明な患者動態のため治療が困難である集中治療室の感染症に焦点を当てた。
  論文  参考訳（メタデータ） (2020-03-13T20:31:47Z)

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。