Survival analysisDeep Learning
DeepHit
DeepHit הוא מסגרת רשת נוירונים עמוקה לניתוח הישרדות עם סיכונים מתחרים. הוצג על ידי Lee et al. בשנת 2018, הוא מרחיב את DeepSurv לטפל במצבים שבהם יכולים להתרחש מספר אירועים, שאינם ניתנים להחלפה הדדית, כגון תמותה ספציפית למחלה לעומת מוות מסיבות אחרות. DeepHit פותר את האתגר של חיזוי סיכון מותאם אישית כאשר נבדקים יכולים לחוות סוגים שונים של אירועים סופיים, תרחיש נפוץ ביישומים רפואיים ויישומי אמינות.
קראו את השיטה במלואה
לחברים בלבד
התחברותהתחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/he/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 →