암 치료를 부분 관찰성·잠재적 환자 이질성·측정 예산 제약을 가진 순차적 의사결정 문제로 보고, 능동 추론(active inference) 기반의 신념 공간 계획으로 모델링했다. 일반 강화학습이 상태 궤적을 제어하는 것과 달리, 암 치료는 환자의 전이 동역학 자체를 영구적으로 바꾼다는 점에 주목해 목표 지향 제어와 정보 획득을 통합하는 기대 자유에너지 목적함수를 유도했다. AACR Project GENIE Biopharma Collaborative의 실제 임상 암 데이터로 구현했으며, 실제 측정·치료 제약 아래에서 환자 분류와 높은 치료 효능을 동시에 달성함을 입증했다. 측정 예산이 제한된 개인 맞춤 암 치료에 적용 가능한 의사결정 프레임워크를 제시한다.
- •암 치료를 부분 관찰성·환자 이질성·측정 예산 제약을 가진 순차적 의사결정 문제로 정식화
- •암 치료가 환자의 전이 동역학을 영구 변경한다는 점에서 일반 RL과 구분
- •능동 추론으로 목표 지향 제어와 정보 획득을 통합하는 기대 자유에너지 목적함수 유도
- •AACR Project GENIE Biopharma 실제 임상 데이터로 구현 및 검증
- •실제 제약 아래에서 환자 분류와 높은 치료 효능을 동시 달성
Belief-Space Control for Personalized Cancer Treatment via Active Inference
- 1.암 치료를 부분관측·측정예산 제약하의 belief-space 계획 문제로 모델링
- 2.능동추론 기반 expected free-energy 목적함수로 목표제어와 정보획득을 통합
- 3.AACR Project GENIE 실제 임상 암 데이터로 프레임워크 구현·검증
- 4.측정·치료 제약하서 환자 분류와 높은 치료 효능을 동시 달성
왜 중요한가?
표준 RL과 달리 치료가 환자의 전이 동역학 자체를 영구히 바꾸는 암 치료의 특성을 반영해, 측정 예산 제약하에서 정보 획득과 치료 효능을 동시에 최적화하는 임상 의사결정 틀을 제시했다.
🏷️ 언급 프로젝트
본문 미리보기
arXiv:2606.10376v1 Announce Type: new Abstract: Cancer treatment is at the core a sequential decision-making problem with partial observability, latent patient heterogeneity, and explicit constraints on the budget for medical measurements. Unlike standard Reinforcement Learning (RL) approaches that control state trajectories, cancer treatments permanently modify patients' transition dynamics, changing how states evolve over time. We model cancer treatment as a belief-space planning problem usin
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
