DeepSurv
DeepSurv is a deep neural network approach to survival analysis that learns personalized survival distributions directly from data. Introduced by Katzman et al. in 2018, it extends the Cox proportional hazards model using deep learning to capture complex, nonlinear relationships between covariates and survival outcomes. It solves the problem of modeling heterogeneous treatment effects and time-to-event predictions in high-dimensional settings.
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- 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). · URL
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.