医疗长周期连续决策模型与深度强化学习算法研究

Artificial Intelligence (AI) has been widely applied to the medical field. AI-based decision-making techniques and systems are increasingly valued by academia. For chronic diseases with long treatment cycles, it is necessary to design a dynamic, long-term optimal sequential decision-making model. However, research on relevant theories and methodologies is still limited...Based on Bayesian theorems, this research aims to construct a sequential decision-making model in a partially observable environment, through developing a deep reinforcement learning algorithm, and combining human knowledge for interpretability enhancement. The detailed contents of this proposal include: (1) using Bayesian posterior representation to construct the states for POMDP model through the long short-term memory networks; (2) designing an efficient deep reinforcement learning algorithm based on a comprehensive learning method; (3) introducing expert knowledge and attention mechanisms to improve the interpretability of the results...This project puts forward the idea of applying AI-based automatic decision-making to the long-term treatment processes of chronic diseases innovatively. Our research will make breakthroughs and innovations in decision-making model construction, information extraction, deep reinforcement learning algorithms, and interpretability enhancement, hence, provide theoretical support and practical demonstrations for high-quality intelligent medical information systems.

“人工智能+”应用于医疗领域是现代科技的热点。基于AI的决策问题日益受到医学界和学术界的重视。针对治疗周期长的慢性疾病，需要设计动态的、全程优化的智能连续决策模式，但目前尚缺乏相关理论和方法研究。. 项目拟基于贝叶斯理论，构建非完整观测环境中的连续决策模型、开发深度强化学习算法、探讨人和机器的合作决策模式。研究内容包括：(1)使用贝叶斯后验表征，通过循环长短记忆深度网络，构建部分可观察马尔科夫过程连续决策模型；(2)设计基于综合性学习方法的新型深度强化学习算法；(3)引入专家知识和注意力机制，提高决策结果的可解释性。. 项目首次提出将AI自动决策应用于慢性病长周期治疗过程，研究成果将在决策模型构建、信息提取、深度强化学习算法和结果解释性方面取得突破和创新，为高品质的智能医疗服务提供理论支持和实践示范。

“人工智能+”应用于医疗领域已成为现代科技的热点。与传统医疗服务不同，新兴的医疗模式以知识和数据驱动。项目针对治疗周期长的慢性疾病，设计了动态的、全程优化的智能连续决策模式，通过引入贝叶斯理论、深度神经网络，构建非完整观测环境中的连续决策模型、开发强化学习算法、探讨人和机器的合作决策模式。研究内容包括：(1)通过循环长短记忆深度网络，构建部分可观察马尔科夫过程连续决策模型；(2)设计基于多智能体和层次化目标的新型深度强化学习算法；(3)引入注意力机制和基于贝叶斯图模型的特征融合模块，提高决策结果的可解释性。. 项目紧密围绕研究主题，首次提出将AI自动决策应用于慢性病长周期治疗过程，研究成果在决策模型构建、信息提取、深度强化学习算法和结果解释性方面取得突破和创新，为高品质的智能医疗服务提供理论支持和实践示范，圆满完成了计划书中的研究内容，达到预期目标。项目团队在国内外知名学术期刊和会议上发表论文6篇，其中SCI检索国际A类期刊论文1篇，CPCI/EI检索国际会议论文4篇（A类2篇），国内学术期刊论文1篇。项目积极开展国际合作交流，邀请3位境外知名学者交流合作，资助课题组4人次参加AAAI、IFORS等高水平国际学术会议。项目围绕研究主题培养1名青年教师的研究工作，开设1门校级挑战性精品课程，培养硕博研究生6人，本科生10余人。