【论文标题】Reinforcement learning in surgery外科中的强化学习 【作者团队】Shounak Datta, Yanjun Li, Matthew M. Ruppert, Yuanfang Ren, Benjamin Shickel, Tezcan Ozrazgat-Baslanti, Parisa Rashidi, Azra Bihorac 【发表时间】2020/11/27 【研究机构】佛罗里达大学， 【论文链接】https://www.sciencedirect.com/science/article/pii/S0039606020308254 【推荐理由】 病人和医生对诊断和治疗保持基本的决定干预措施应在时间限制和患者诊断和治疗预期反应不确定的情况下进行或推迟。这可能导致认知和判断错误。强化学习是机器学习的一个子领域，它识别一系列动作，以提高实现预定目标的可能性目标。加强学习有可能通过在预定义的时间间隔内推荐操作来帮助外科决策，并有能力利用复杂的输入数据，包括文本、决策过程中的图像和时间数据。该算法模拟人的试错学习过程来计算最优推荐策略。本文就强化学习在主题领域的发展和应用所面临的挑战提出了见解，重点是外科中的决策。综述的重点是如何建立奖励函数来描述最终目标和确定患者状态，这些奖励函数来源于电子健康记录，同时缺乏资源来模拟手术期间和术后针对生理状态变化的提示行为的潜在益处。尽管临床实施需要安全的、可互操作的、实时流式的电子健康记录数据，以供虚拟模型使用，但在外科癌症中开发和验证个性化强化学习模型有助于通过帮助患者和临床医生做出更好的决策来改善护理。

内容中包含的图片若涉及版权问题，请及时与我们联系删除