DeepSurv
DeepSurv je přístup založený na hlubokých neuronových sítích k analýze přežití, který se učí personalizované distribuce přežití přímo z dat. Představený Katzmanem et al. v roce 2018, rozšiřuje Coxův model proporcionálních rizik pomocí hlubokého učení k zachycení složitých, nelineárních vztahů mezi kovariátami a výsledky přežití. Řeší problém modelování heterogenních účinků léčby a predikcí času do události ve vysoce dimenzionálních prostředích.
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
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/cs/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.
- Model zrychleného přežití (AFT)Analýza přežití↔ compare
- Proporcionální regresní model rizik CoxeAnalýza přežití↔ compare
- Weibullova parametrická regresní analýza přežitíAnalýza přežití↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →