DeepHit
DeepHit er et rammeverk basert på dype nevrale nettverk for overlevelsesanalyse med konkurrerende risikoer. Introdusert av Lee et al. i 2018, utvider det DeepSurv til å håndtere situasjoner der flere, gjensidig utelukkende hendelser kan oppstå, som sykdomsspesifikk dødelighet versus død av andre årsaker. DeepHit løser utfordringen med personlig risikoprediksjon når individer kan oppleve ulike typer terminale hendelser, et vanlig scenario i medisinske og pålitelighetsapplikasjoner.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/no/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 →Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →