DeepSurv
DeepSurv est une approche par réseau neuronal profond pour l'analyse de survie qui apprend des distributions de survie personnalisées directement à partir des données. Introduite par Katzman et al. en 2018, elle étend le modèle de risques proportionnels de Cox en utilisant l'apprentissage profond pour capturer des relations complexes et non linéaires entre les covariables et les résultats de survie. Elle résout le problème de la modélisation des effets de traitement hétérogènes et des prédictions de temps jusqu'à l'événement dans des contextes de grande dimension.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/fr/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.
- Modèle d'accélération du temps de défaillance (AFT)Analyse de survie↔ compare
- Régression proportionnelle des risques de CoxAnalyse de survie↔ compare
- Régression de survie paramétrique de WeibullAnalyse de survie↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →