FenixEdu™

Dissertação

Adaptive Control for Cancer Therapy based on Reinforcement Learning EVALUATED

Detalhes: O processo de calendarização do tratamento do cancro é de extrema importância, uma vez que a evolução do tumor se trata de um processo dinâmico. Por outro lado, a questão essencial prende-se com a incerteza na dinâmica que motiva o uso de Controlo Adaptativo. Adicionalmente, sendo o objetivo principal o uso da adaptação baseada em dados, isto é, independente de um modelo, o uso de técnicas de Aprendizagem por Reforço é necessário. Nesta tese, em primeira instância é considerado um modelo simplificado de crescimento do tumor, também conhecido como Modelo Logístico, em que o Sistema Imunitário e a Angiogénese não são considerados. De seguida, estende-se este modelo aos blocos da Farmacodinâmica e Farmacocinética. Por fim, considera-se o modelo de crescimento de tumor que tem influência do Sistema Imunitário. Tendo sido adotada uma estratégia de controlo adaptativa, as ações são baseadas em testes e nos correspondentes resultados alcançados, logo o objetivo e então melhorar e ajustar essas ações em relação à recompensa obtida durante este processo de aprendizagem, designado Aprendizagem por Reforço. Assim, através de um aumento gradual do número de estados do modelo, os resultados e as comparações entre cada etapa do modelo são presentados, na medida em que foram aplicados distintos controladores e algoritmos para obter os resultados mais otimizados relativos ao tratamento do cancro, isto é, resultados que permitissem a erradicação do cancro partindo de um valor inicial do volume do tumor, e que apresentassem um comportamento descendente e controlado em torno de uma referência imposta.
Keywords: Controlo Adaptativo, Aprendizagem por Reforço, Modelo Logístico, Q-Learning, Controlo Ótimo, Tratamento do Cancro.

Discussão: novembro 9, 2021, 14:0