DeepSurv
DeepSurv е подход за анализ на преживяемостта, базиран на дълбока невронна мрежа, който научава персонализирани разпределения на преживяемостта директно от данни. Въведен от Katzman et al. през 2018 г., той разширява модела на пропорционалните рискове на Cox, използвайки дълбоко обучение за улавяне на сложни, нелинейни връзки между ковариатите и резултатите от преживяемостта. Той решава проблема с моделирането на хетерогенни ефекти от лечението и прогнозирането на времето до събитие в настройки с висока размерност.
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
- Faraggi, D., & Simon, R. (1995). A neural network model for survival data. Statistics in Medicine, 14(1), 73–82. DOI: 10.1002/sim.4780140108 ↗
- 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 ↗
- Lee, C., Zame, W., Yoon, J., & van der Schaar, M. (2018). Deephit: A deep learning approach for dynamic survival analysis. AAAI Conference on Artificial Intelligence, 32(1). link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/bg/survival/deepsurv
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.
- Модел на ускорено време до отказ (AFT)Анализ на преживяемостта↔ compare
- Регресия на пропорционалните опасности на КоксАнализ на преживяемостта↔ compare
- Регресия на Вайбул за оцеляване (Weibull Parametric Survival Regression)Анализ на преживяемостта↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →