DeepHit
DeepHit е рамка за дълбока невронна мрежа за анализ на преживяемостта при конкуриращи се рискове. Въведена от Lee et al. през 2018 г., тя разширява DeepSurv, за да обработва сценарии, при които могат да възникнат множество, взаимно изключващи се събития, като смъртност, специфична за заболяването, спрямо смърт от други причини. DeepHit решава предизвикателството на персонализираното прогнозиране на риска, когато субектите могат да изпитат различни видове крайни събития, често срещан сценарий в медицински и надеждни приложения.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/bg/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 →Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →