DeepHit
DeepHit je okvir duboke neuronske mreže za analizu preživljenja s konkurentnim rizicima. Predstavljen od strane Lee et al. 2018., proširuje DeepSurv kako bi obuhvatio situacije u kojima se može dogoditi više međusobno isključivih događaja, poput smrtnosti specifične za bolest naspram smrti iz drugih uzroka. DeepHit rješava izazov personalizirane procjene rizika kada subjekti mogu doživjeti različite vrste terminalnih događaja, što je čest scenarij u medicinskim primjenama i primjenama pouzdanosti.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/hr/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 →Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →