الگوریتم یادگیری تقویتی در بهینه سازی شیمی درمانی به همراه کاربرد آن در کنترل بهینه

تشخیص و درمان سرطان در سال های اخیر موضوع بحث بسیاری از محافل علمی بوده است. در میان روش های درمان سرطان، شیمی درمانی بیشتر مورد استفاده قرار می گیرد زیرا هم به عنوان درمان کمکی یا مکمل همراه با روش های درمانی دیگر به کار می رود و هم به این دلیل که، بسیاری از سرطان ها پیش از تشخیص، تشکیل کانون های متاستاتیک داده اند و برای تومورهایی که متاستاز می دهند، شیمی درمانی بهترین روش درمان است. در این مقاله یک استراتژی کنترل بهینه برای سیستم های غیر خطی در جهت کاربرد در شیمی درمانی سرطان ارائه می شود.مدل رشد تومور بوسیله دستگاه معادلات که بر اساس رقابت بین سلول های نرمال و سرطانی است قابل بیان است. تاثیر سیستم ایمنی در حضور تومور معمولا در مدل لحاظ می شود. روش کنترل بهینه در جهت از بین بردن سلول سرطانی مادامیکه مقدار داروی استفاده شده در مدل شبیه سازی شده نیز مینیمم شود به کار می رود. الگوریتم یادگیری تقویتی برای بنا کردن استراتژی کنترل بهینه در سیستم های غیر خطی پیشنهاد داده شده است که روشی مناسب برای حل این مساله می باشد. نتایج شبیه سازی شده نشان می دهد که به کمک روش پیشنهادی سلول های سرطانی در مدت کوتاهتری با استفاده از مقدار کمی دارو قابل نابود شدن است و همچنین نشان می دهد که روشی توانا در مدل های مختلف است. روش پیشنهادی در این مقاله روشی جامع است و بنابراین می تواند در مسائل دارویی مورد استفاده قرار گیرد. در ادامه در این رساله سعی شده است که برنامه دارویی متفاوتی برای مدل مورد نظر ارائه شود که از مزیت های روش پیشنهادی می باشد که در مقایسه با سایر روش های کلاسیک با تغییر جزئی در برنامه می توان به این منظور دست یافت. نتایج نشان می دهد استفاده از شیوه درمان پیوسته می تواند بسیار موثر باشد بدین معنی که درمان، با حداکثر دوز داروی مجاز برای بازه زمانی کوتاهی از شروع درمان آغاز می شود، سپس دوز دارو به سرعت به حداقل میزان خود کاهش می یابد که این مقدار دوز کم دارو مانع از رشد سلول سرطانی در پایان دوره درمان می شود. در این برنامه دارویی سلول های ایمنی و نرمال از نوسانات کمتری برخوردار هستند که بیانگر حال عمومی بیمار می باشد.البته نتایج نشان می دهد که از معایب برنامه دارویی پیوسته زمان بیشتر درمان می باشد