DeepHit
DeepHit ist ein Framework für tiefe neuronale Netze zur Überlebenszeitanalyse mit konkurrierenden Risiken. Es wurde 2018 von Lee et al. eingeführt und erweitert DeepSurv, um Szenarien zu handhaben, in denen mehrere, sich gegenseitig ausschließende Ereignisse auftreten können, wie z. B. krankheitsspezifische Mortalität versus Tod aus anderen Ursachen. DeepHit löst die Herausforderung der personalisierten Risikoprognose, wenn Probanden unterschiedlichen Arten von Endereignissen ausgesetzt sein können, ein häufiges Szenario in medizinischen und Zuverlässigkeitsanwendungen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/de/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 →Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →