DeepHit
DeepHit je rámec hlubokých neuronových sítí pro analýzu přežití s konkurenčními riziky. Představen Lee et al. v roce 2018, rozšiřuje DeepSurv pro zpracování scénářů, kde může dojít k více vzájemně se vylučujícím událostem, jako je úmrtnost specifická pro dané onemocnění versus úmrtí z jiných příčin. DeepHit řeší problém personalizované predikce rizika, když subjekty mohou zažít různé typy terminálních událostí, což je běžný scénář v lékařských aplikacích a aplikacích spolehlivosti.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/cs/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 →Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →