DeepHit
Το DeepHit είναι ένα πλαίσιο βαθιάς νευρωνικής δικτύωσης για ανάλυση επιβίωσης με ανταγωνιστικούς κινδύνους. Παρουσιάστηκε από τους Lee et al. το 2018, επεκτείνει το DeepSurv για να χειριστεί σενάρια όπου μπορούν να συμβούν πολλαπλά, αμοιβαία αποκλειόμενα συμβάντα, όπως θνησιμότητα ειδική για ασθένεια έναντι θανάτου από άλλες αιτίες. Το DeepHit επιλύει την πρόκληση της εξατομικευμένης πρόβλεψης κινδύνου όταν τα υποκείμενα μπορούν να βιώσουν διαφορετικούς τύπους τερματικών συμβάντων, ένα κοινό σενάριο σε ιατρικές εφαρμογές και εφαρμογές αξιοπιστίας.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/el/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 →Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →