적응적 치료 전략(ATS)은 환자의 증상이 변화함에 따라 치료 결정을 동적으로 조정함으로써 개인화된 치료를 가능하게 하는 순차적 의사결정 과정이다. 강화학습(RL)은 ATS를 최적화하는 유망한 접근으로 여겨지지만, 전통적인 온라인의 시행착오 기반 학습 메커니즘은 환자에게 위해를 가할 위험 때문에 임상 환경에서는 허용되지 않는다. 오프라인 RL은 과거의 치료 데이터로부터만 정책을 학습함으로써 이러한 한계를 해결하지만, 임상 분야에 만연한 도전인 데이터 부족으로 인해 성능이 종종 제약된다. 이를 극복하기 위해 우리는 기존 치료 데이터로부터 임상적으로 타당한 치료 궤적을 생성하는 새로운 데이터 증강 프레임워크인 Treatment Stitching(TreatStitch)을 제안한다. 구체적으로, TreatStitch는 서로 다른 궤적들 사이에서 유사한 중간 환자 상태를 식별하고, 해당 상태들의 각 구간을 이어 붙인다. 중간 상태들이 직접적으로 이어 붙이기에는 너무 상이하더라도, TreatStitch는 Schrödinger bridge 방법을 활용하여 상이한 상태들을 연결하는 매끄럽고 에너지 효율적인 브리징 궤적을 생성한다. 이러한 합성 궤적을 원래 데이터셋에 증강함으로써, 오프라인 RL은 더 다양한 데이터셋으로부터 학습할 수 있어 ATS를 최적화하는 능력이 향상된다. 다수의 치료 데이터셋에 걸친 광범위한 실험은 TreatStitch가 오프라인 RL 성능을 향상시키는 효과를 입증한다. 또한, TreatStitch가 분포 외(out-of-distribution) 전이를 회피함으로써 임상적 타당성을 유지한다는 이론적 정당화도 함께 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.