DeepHit
DeepHit is een raamwerk gebaseerd op diepe neurale netwerken voor overlevingsanalyse met concurrerende risico's. Geïntroduceerd door Lee et al. in 2018, breidt het DeepSurv uit om situaties te hanteren waarin meerdere, wederzijds exclusieve gebeurtenissen kunnen optreden, zoals ziekte-specifieke mortaliteit versus overlijden door andere oorzaken. DeepHit lost de uitdaging op van gepersonaliseerde risicovoorspelling wanneer proefpersonen verschillende soorten terminale gebeurtenissen kunnen ervaren, een veelvoorkomend scenario in medische en betrouwbaarheidstoepassingen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/nl/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 →Een fout op deze pagina gezien? Meld het of stel een correctie voor →