本文介绍了一种专注阅读方法，旨在通过使用强化学习框架（RL）来回答生物医学查询，来提高读取效率。结果表明，相比强基线方法，该方法可以回答更多的问题，同时阅读更少的文献。

Sep, 2017

本文通过强化学习控制噪声抑制算法参数，从而提升算法的鲁棒性和整体性能，实验结果显示相较于无适应性的算法有着显著的42%和16%的输出SNR和MSE改进。

Nov, 2017

探讨评估强化学习算法在医疗保健中的安全性的实质，提供了在评估新型患者治疗方式时，如何设计和评估算法的方法，并描述了如何缓解评估过程中存在的潜在问题。

May, 2018

本文综述了加强学习在医疗领域的广泛应用，包括慢性病和危重护理中的动态治疗方案、基于结构化和非结构化临床数据的自动医学诊断以及许多其他控制或调度领域。其中讨论了当前研究中面临的挑战和开放问题，并指出了一些潜在的解决方案和未来研究方向。

Aug, 2019

通过开发新的文本表征 Clinical XLNet 利用临床笔记序列的时间信息，我们对长期机械通风预测问题进行了研究及实验，并证明 Clinical XLNet 在表现上始终优于最佳基线。

Dec, 2019

该研究提出了一种新的强化学习方法，自动过滤噪音输入信息，该方法使用动态稀疏训练原理和各种深度强化学习算法，可有效识别出与任务相关的输入信息，并取得了比传统算法更好的性能。

Feb, 2023

通过剪枝和训练最终模型两步，成功将中间生物标志信号融入到奖励范式中，在不损害主要结果的情况下，从中解出有价值的信息指导学习过程，从而在模拟环境和实际患者记录中成功开发了一种有效的离线强化学习方法，为开发可靠的策略迈出了一步。

Jun, 2023

本文综述了强化学习在自然语言处理领域的关键技术、挑战、以及在医疗保健中的应用，包括对话系统、机器翻译模型、问答系统、文本摘要和信息提取，并介绍了RL-NLP系统中的伦理考虑和偏差。

Oct, 2023

通过对深度学习的医学预测问题中的标签噪声管理进行全面审查，包括标签噪声检测、标签噪声处理和评估，本文提供了一系列实用问题的研究结果，其中包括标签噪声的来源、影响、检测、处理技术以及它们的评估，还提供了标签噪声检测方法和处理技术的分类。

Mar, 2024

本研究提出了一种学习生成特定噪声遮罩的预训练流程，旨在改善在多模态和多器官数据集上的性能，实验证明中间模型的微调能够在分类和概念任务上持续优于传统训练算法。

Apr, 2024