DeepHit
DeepHit یک چارچوب شبکه عصبی عمیق برای تحلیل بقا با خطرات رقیب است. این روش که در سال ۲۰۱۸ توسط Lee و همکاران معرفی شد، DeepSurv را گسترش میدهد تا تنظیماتی را که در آنها چندین رویداد انحصاری متقابل میتوانند رخ دهند، مانند مرگ و میر ناشی از بیماری در مقابل مرگ به دلایل دیگر، مدیریت کند. DeepHit چالش پیشبینی ریسک شخصیسازی شده را زمانی که افراد میتوانند انواع مختلفی از رویدادهای پایانی را تجربه کنند، که یک سناریوی رایج در کاربردهای پزشکی و قابلیت اطمینان است، حل میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/fa/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 →در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →