DeepHit
DeepHit to głęboka sieć neuronowa przeznaczona do analizy przeżycia z uwzględnieniem rywalizujących ryzyk. Wprowadzony przez Lee i wsp. w 2018 r. rozszerza on metodę DeepSurv o obsługę sytuacji, w których może wystąpić wiele wzajemnie wykluczających się zdarzeń, takich jak śmiertelność specyficzna dla choroby w porównaniu ze śmiercią z innych przyczyn. DeepHit rozwiązuje problem spersonalizowanej predykcji ryzyka, gdy badane jednostki mogą doświadczyć różnych typów zdarzeń końcowych, co jest częstym scenariuszem w zastosowaniach medycznych i inżynierii niezawodności.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/pl/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 →Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →