DeepSurv
DeepSurv ist ein auf tiefen neuronalen Netzen basierender Ansatz zur Überlebenszeitanalyse, der personalisierte Überlebensverteilungen direkt aus Daten lernt. Er wurde 2018 von Katzman et al. eingeführt und erweitert das proportionale Hazards-Modell von Cox, indem er Deep Learning nutzt, um komplexe, nichtlineare Beziehungen zwischen Kovariaten und Überlebensergebnissen zu erfassen. Es löst das Problem der Modellierung heterogener Behandlungseffekte und der Vorhersage von Ereigniszeiten in hochdimensionalen Umgebungen.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/de/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) ModellÜberlebenszeitanalyse↔ compare
- Cox-Proportional-Hazards-RegressionÜberlebenszeitanalyse↔ compare
- Weibull Parametrische ÜberlebensregressionÜberlebenszeitanalyse↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →