离散数学方法结合博弈论用于预测系统建模

《Franklin Open》：Discrete Mathematical Approaches with Game Theory for Predictive System Modeling

　　

离散数学在临床应用中扮演着重要角色，然而在将离散数学的教育性讨论与实际数值建模案例相结合方面，仍存在大量未被发掘的潜力。在恶性肿瘤和化疗的研究中，研究人员旨在探究药物A如何诱导一类细胞产生抗性，同时使另一类细胞对治疗敏感。通过涉及多种剂量和毒性函数的严格数学分析，研究人员结合药物A和药物B的化疗策略有效地靶向耐药细胞。提出了一种针对医疗保健的离散数学模型，以优化消除肿瘤的治疗方案选择。考虑多种患者特异性变量，利用递减泊松半林德利分布模型（decrease Poisson semi-Lindley distribution model）直观地绘制有效治疗路径。博弈论（Game Theory）为化疗的临床决策提供了关于肿瘤动力学和治疗策略的宝贵视角。研究结果强调了数据驱动的个性化方法在临床决策中的重要性，并为化疗方案提供了见解。这一跨学科框架（衔接数学与医疗保健，mathematics and healthcare）强调了数据驱动策略对塑造临床实践的变革性影响。

离散数学方法与博弈论在预测系统建模中的应用：论文解读

研究背景与目的
在临床应用中，离散数学模型被广泛用于估计计数分布，但现有的经典模型（如泊松分布、泊松-林德利分布、负二项分布）在处理生物医学数据中常见的过度离散、偏斜和异质性方面存在显著限制。抗生素耐药性和肿瘤治疗效果不佳是当前医疗领域的严峻挑战，亟需更灵活的建模工具来优化治疗决策。传统化疗策略往往依赖经验性用药，缺乏对耐药细胞动态和患者特异性响应的精确描述。为了弥补这一空白，研究人员提出了一种结合博弈论（Game Theory）的离散数学模型，旨在通过量化肿瘤动力学（tumor dynamics）和药物相互作用来改善化疗方案的选择。该研究发表在《Franklin Open》。

主要技术方法
研究人员构建了离散泊松半林德利分布（Discrete Poisson Semi-Lindley Distribution, Dis-PSLD）模型，该模型将半林德利分布（semi-Lindley distribution）和泊松分布（Poisson distribution）的特性相融合，具备更强的灵活性和对不对称计数分布的拟合能力。模型参数通过最大似然估计（Maximum Likelihood Estimation, MLE）求解，并利用博弈论制定三种化疗规则（规则1：同时用药后停药再复用；规则2：顺序用药；规则3：单药复用）以优化治疗策略。验证实验基于CBIS-DDSM乳腺癌图像数据集（该数据集包含经病理标注的乳腺钼靶病例及感兴趣区域（ROI）级别的临床注释），将Dis-PSLD与泊松（Poisson, Pois）、泊松-林德利分布（Poisson-Lindley Distribution, PLD）、负二项（Negative Binomial, NB）等模型进行对比，评估指标包括均方根误差（Root Mean Square Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）、平均相对误差（Mean Relative Error, MRE）和决定系数（R²）。

研究结果
3. 化疗组合的形成（Formation of chemotherapy combinations）
研究人员通过分析离散模型，定义了药物作用函数（g₁(f)、g₂(f)、g₃(f)）来描述肿瘤质量在药物影响下的演化。在不同用药规则下，模型比较了药物A和药物B联合或顺序使用对耐药细胞和敏感细胞的影响，发现同时用药结合停药期的策略（规则1）在多数剂量下能更有效地减少肿瘤质量。

4. 博弈论用于化疗决策（Game theory for chemotherapy decision-making）
利用博弈论中的有向图（directed graph）和注意力机制（attention mechanism），研究人员构建了阈值评分函数和优化因子（H），用于整合低阶边连接与高阶结构特征。通过计算注意力系数（α_uh）和置换特征归因分析，模型识别出肿瘤特征、药物剂量、毒性和患者特异性变量对化疗反应预测的相对影响，从而为临床决策提供数据驱动支持。

5. 结果与仿真研究（Results and simulation study）
统计分析与仿真表明，Dis-PSLD模型的均值随参数η增大而降低，离散指数（Dispersion Index, CH）、偏度系数（Constant of Skewness, DT）和峰度系数（Constant of Kurtosis, Dk）均表现出递减趋势，说明模型能灵活适应数据变异。在不同样本量下，平均绝对误差和平均相对误差随η增大而上升，而均方误差（MSE）随样本量增大而下降。在三种博弈论规则下，Dis-PSLD模型对肿瘤质量增长的预测值更接近观测值，且拟合优度指标（卡方值、自由度、P值）优于泊松和PLD模型。五折交叉验证结果显示，Dis-PSLD在所有评估指标上均表现最佳：整体RMSE降低至约5.0、MAE约3.9、MRE约9.4%、R²提升至约0.912。

5.1. 基于CBIS-DDSM乳腺癌图像数据集的验证（Validation Using CBIS-DDSM breast cancer image dataset）
在CBIS-DDSM数据集上，Dis-PSLD模型取得了最优性能：RMSE=4.987、MAE=3.746、MRE=9.214%、R²=0.923，AIC和BIC值（438.526和471.982）均低于所有对比模型。与泊松模型相比，RMSE和MAE分别改善40.7%和44.8%；与PLD模型相比改善29.7%和30.9%；与负二项模型相比改善21.2%和23.7%。这表明Dis-PSLD能更准确地捕捉异质性病变分布和差异化的肿瘤反应。

讨论与结论
讨论部分指出，Dis-PSLD模型通过半林德利-泊松特性有效克服了经典模型在过度离散和异质性方面的局限性，在CBIS-DDSM数据集上获得了显著的性能提升。研究人员还提出了将模型参数映射至临床可量化变量的路径（如肿瘤体积纵向进展映射至生长速率、药物剂量定标至治疗强度指数、生物标志物趋势估计耐药因子），为理论建模与临床实践搭建了桥梁。但研究也存在局限性：CBIS-DDSM数据集作为基准工具缺乏真实临床环境中的变异性、噪声和机构异质性，因此结果仍处于理论验证阶段。未来拟在多机构真实医疗队列中进一步验证Dis-PSLD框架，并探索将其整合至统计-机器学习混合管线中。

研究结论部分翻译如下：已构建了一个用于化疗决策的离散数学模型，以确定消除肿瘤的有效治疗策略。Dis-PSLD模型将半林德利-泊松特性与针对患者特定行为的结构组件相结合，从而能够更准确地模拟肿瘤肿块演化。博弈论通过捕获药物调度、肿瘤反应和耐药动力学之间的相互作用，进一步增强了治疗优化。在所有比较评估中，Dis-PSLD模型表现出优于泊松和PLD模型的预测性能、与观察值更好的一致性以及更高的可靠性。尽管其AIC和BIC值略高，但该模型始终提供更强的预测准确性和更大的临床可解释性。这些结果表明，Dis-PSLD框架是分析化疗行为和优化治疗方案的一个稳健且信息丰富的工具。研究结果强调了数据驱动数学模型在增强个性化肿瘤学决策支持系统中的价值，并强化了跨学科计算技术在临床实践中的更广泛作用。