用于多治疗方案个体化治疗规则学习的神经网络监督聚类

基于摘要分析。本文研究多治疗方案下的个体化治疗规则（individualized treatment rule，此处 ITR 非信息传输率）学习：每个治疗臂的观测有限，但条件响应相似的治疗可能共享信息。作者提出 nonlinear supervised clustering fusion（NSCF），通过共享非线性协变量表征、低维治疗嵌入与监督式治疗融合，同时学习治疗决策规则和可解释的治疗分组。 机制上，NSCF 是一个神经网络 Q-learning 框架，以成对融合将学习到的治疗对比相似的方案归为一组。其交替算法结合神经网络训练、嵌入融合、基于验证集的分组选择，以及不加惩罚的分组重新拟合。相较于可能遗漏非线性异质性的线性对比模型，该方法旨在利用非线性表征刻画异质性，并通过分组共享信息缓解单个治疗臂的数据不足。 作者报告，在具有非线性且满足精确共享结构的模拟中，NSCF 相较于一个较强的神经网络参照方法降低了 regret；扰动实验用于刻画硬共享的适用边界。在黑色素瘤异种移植应用中，作者报告其平均策略价值优于该神经网络参照方法。摘要未给出样本规模、治疗数量、具体指标数值或划分方案，实验协议、消融及统计信息尚未验证。 本文主要对象是多治疗决策与治疗效应共享，而非 EEG 解码或 BCI 算法。现有材料不足以建立具体的 EEG/BCI 迁移路径，因此不据此提出迁移效果或复现实验建议。复现需进一步核对融合惩罚的具体形式、治疗对比的定义、验证与重新拟合流程，以及治疗分配和策略价值估计所依赖的假设。