DeepSurv
DeepSurv je pristup analizi preživljavanja utemeljen na dubokoj neuronskoj mreži koji izravno uči personalizirane distribucije preživljavanja iz podataka. Predstavljen od strane Katzmana et al. 2018., proširuje Coxov model proporcionalnih opasnosti koristeći duboko učenje za hvatanje složenih, nelinearnih odnosa između kovarijata i ishoda preživljavanja. Rješava problem modeliranja heterogenih učinaka liječenja i predviđanja vremena do događaja u visokodimenzionalnim postavkama.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/hr/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.
- Model ubrzanog vremena do kvara (AFT)Analiza preživljavanja↔ compare
- Regresija proporcionalnih opasnosti CoxaAnaliza preživljavanja↔ compare
- Weibullova parametarska regresija preživljenjaAnaliza preživljavanja↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →