DeepHit
DeepHit est un cadre de réseau neuronal profond pour l'analyse de survie avec risques concurrents. Introduit par Lee et al. en 2018, il étend DeepSurv pour gérer les situations où plusieurs événements mutuellement exclusifs peuvent survenir, tels que la mortalité spécifique à la maladie par rapport au décès pour d'autres causes. DeepHit résout le défi de la prédiction personnalisée du risque lorsque les sujets peuvent connaître différents types d'événements terminaux, un scénario courant dans les applications médicales et de fiabilité.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/fr/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 →Une erreur sur cette page ? Signalez-la ou proposez une correction →