DeepSurv
DeepSurv er en dyb neurale netværksmetode til overlevelsesanalyse, der lærer personaliserede overlevelsesfordelinger direkte fra data. Metoden blev introduceret af Katzman et al. i 2018 og udvider Cox' proportional hazards-model ved at anvende dyb læring til at fange komplekse, ikke-lineære relationer mellem kovariater og overlevelsesudfald. Den løser problemet med at modellere heterogene behandlingseffekter og forudsigelser af tid til hændelse i højdimensionelle indstillinger.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/da/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.
- Accelerated Failure Time (AFT) modelOverlevelsesanalyse↔ compare
- Cox Proportional Hazards RegressionOverlevelsesanalyse↔ compare
- Weibull parametrisk overlevelsesregressionOverlevelsesanalyse↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →