DeepHit
DeepHit er et framework baseret på dybe neurale netværk til overlevelsesanalyse med konkurrerende risici. Introduceret af Lee et al. i 2018, udvider det DeepSurv til at håndtere scenarier, hvor flere, gensidigt udelukkende begivenheder kan forekomme, såsom sygdomsspecifik dødelighed versus død af andre årsager. DeepHit løser udfordringen med personlig risikoprædiktion, når subjekter kan opleve forskellige typer af terminale begivenheder, et almindeligt scenarie i medicinske og pålidelighedsapplikationer.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/da/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 →Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →