19、智能系统中的元学习与电子病历表型分析技术

智能系统中的元学习与电子病历表型分析技术

在人工智能和医疗信息化领域，元学习算法以及电子病历（EHR）表型分析技术正发挥着越来越重要的作用。下面将详细介绍自我强化元学习用于信念生成以及结合语义网技术与进化模糊分类器 eClass 进行 EHR 表型分析的相关内容。

自我强化元学习用于信念生成

马尔可夫决策过程与状态描述

在决策阶段，强化学习控制的马尔可夫决策过程（MDP）会创建一个情节，即由动作 $a_t$ 连接在一起的状态序列 $s_t$。一个状态 $s_t$ 由三个部分描述且部分可观察：
1. 概念图分布相似度（相对于另一个图），归一化范围从 0 到 1。
2. 节点语义距离，用 $\delta[n,n’]$ 表示。
3. 同构方差，用 $\varepsilon[n,n’]$ 表示。

动作与奖励机制

动作 $a_t$ 可以是以下决策之一：中止过程，或者用它们的共同上级 $k$ 替换节点 $n$ 和 $n’$。奖励 $R(t + 1)$ 是下一个状态的奖励，通过交叉评估信念 $g’_{ik}$ 在稍后的时间给予算法。根据强化学习文献，奖励仅给予终端状态。

策略更新与信念验证

在创建信念 $g’ {ik}$ 时，策略 $Q(s_t, a_t)$ 会更新其值，同时尝试收敛到最优决策。当新的概念图 $g_z$（新获得的知识）验证了信念 $g’ {ik}$ 时，会对创建该信念的情节给予正奖励。验证的过程如下：
1. 发现图 $g_z$ 可以用信念 $g’_{ik}$ 中的节点替换其任何或所有节点。
2. 确定它们是同构等价的