DeepSurv
DeepSurv یک رویکرد شبکه عصبی عمیق برای تحلیل بقا است که توزیعهای بقای شخصیسازیشده را مستقیماً از دادهها یاد میگیرد. این روش که در سال ۲۰۱۸ توسط Katzman و همکاران معرفی شد، مدل کاکس (Cox) را با استفاده از یادگیری عمیق گسترش میدهد تا روابط پیچیده و غیرخطی بین متغیرهای پیشبین و پیامدهای بقا را ثبت کند. این مدل مشکل مدلسازی اثرات درمانی ناهمگن و پیشبینی زمان تا رویداد را در محیطهای با ابعاد بالا 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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/fa/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.
- مدل زمان شکست شتابیافته (AFT)تحلیل بقا↔ compare
- رگرسیون کوکس (Cox Proportional Hazards Regression)تحلیل بقا↔ compare
- رگرسیون بقای پارامتریک ویبولتحلیل بقا↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →