本文提出一种利用强化学习自动选择分类算法的框架，以提升对原发性胆汁性肝硬化（Primary Biliary Cirrhosis）的预测准确率。传统上，挑选合适的分类器需要大量人工实验，耗时且易受主观影响。为解决此问题，作者设计了“平方学习”（Square Learning, SL）评分机制，使强化学习代理能够在四个常用评估指标（准确率、召回率、精确率、F1）上进行综合评价。基于此，提出了“四次学习”（Fourth Degree Learning）算法，代理在每一步根据当前分类器的表现更新策略，最终收敛到最优分类器组合。实验在公开数据集上进行，对比传统手工选择方法，准确率从 63% 提升至 98%。该方法展示了强化学习在元学习层面的潜力，为医学诊断中的模型选择提供了自动化、可解释的解决方案。
点评：该研究将强化学习与模型选择深度结合，创新性地引入评分函数，实现了显著的性能提升，值得在其他医学预测任务中进一步验证。