DeepHit
DeepHit هو إطار عمل للشبكات العصبية العميقة لتحليل البقاء على قيد الحياة مع مخاطر متنافسة. تم تقديمه بواسطة Lee وآخرون في عام 2018، وهو يوسع DeepSurv للتعامل مع الإعدادات التي يمكن أن تحدث فيها أحداث متعددة، متعارضة بشكل متبادل، مثل الوفاة بسبب المرض مقابل الوفاة لأسباب أخرى. يعالج DeepHit تحدي التنبؤ بالمخاطر الشخصية عندما يمكن للموضوعات تجربة أنواع مختلفة من الأحداث النهائية، وهو سيناريو شائع في التطبيقات الطبية وتطبيقات الموثوقية.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- Lee, C., Zame, W., Yoon, J., & van der Schaar, M. (2018). DeepHit: A deep learning approach for dynamic survival analysis with competing risks. AAAI Conference on Artificial Intelligence, 32(1), 2314–2321. link ↗
- Fine, J. P., & Gray, R. J. (1999). A proportional hazards model for the subdistribution of a competing risk. Journal of the American Statistical Association, 94(446), 496–509. DOI: 10.1080/01621459.1999.10474144 ↗
- Katzman, J. L., et al. (2018). DeepSurv: Personalized treatment recommender system using a Cox proportional hazards deep neural network. Journal of Machine Learning Research, 40, 40–51. DOI: 10.1186/s12874-018-0482-1 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/ar/survival/deephit
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
Compare side by side →