蒙特卡洛树搜索
Parent: ai_keywords
蒙特卡洛树搜索（Monte Carlo Tree Search, MCTS）
【核心定义】
蒙特卡洛树搜索是一种基于随机模拟的启发式搜索算法，通过在大型决策空间中逐步构建非对称搜索树，平衡探索（Exploration）与利用（Exploitation），从而逼近最优决策。核心思想是用大量随机模拟代替穷举，适用于状态空间庞大、精确模型未知的序贯决策问题，如围棋、游戏AI及临床诊疗优化。
【关键技术点】
- 选择（Selection）：从根节点开始，依据置信上限算法（如UCB1公式）选择最具潜力的子节点，平衡访问频率与回报均值，确保探索未知分支。
- 扩展（Expansion）：当到达未被完全展开的节点时，添加一个或多个合法子节点，扩展搜索树。
- 模拟（Simulation）：从新节点起，采用默认随机策略（如随机走棋）进行快速仿真，直至终止状态，获得回报值。
- 反向传播（Backpropagation）：将模拟结果沿路径逐层更新父节点的访问次数与累计回报，为后续选择提供依据。
【医学/神经科学应用场景】
在首都医科大学神经病学研究中，MCTS可用于优化难治性癫痫术前评估中的立体脑电图（SEEG）电极植入规划。癫痫灶定位需在颅内置入多根深部电极，每根电极的轨迹、触点位置构成指数级组合。传统方法依赖医生经验，易遗漏最优方案。基于MCTS，可将电极候选路径作为搜索节点，以模拟得到的致痫区覆盖率和风险概率作为回报，通过自适应模拟平衡对不同脑区（如岛叶、扣带回）的采样，快速收敛至兼顾定位精度与安全性的植入方案。类似地，在**帕金森病深部脑刺激（DBS）**的参数调优中，MCTS能克服传统“试错法”效率低下的缺陷，通过模拟刺激对运动症状改善和副作用的影响，动态搜索最优的电压、频率及触点组合，缩短临床程控周期，提升个体化治疗效果。
