DeepSurv
DeepSurv to głęboka sieć neuronowa stosowana w analizie przeżycia, która uczy się spersonalizowanych rozkładów przeżycia bezpośrednio z danych. Wprowadzona przez Katzman et al. w 2018 roku, rozszerza model Coxa z hazardem proporcjonalnym, wykorzystując uczenie głębokie do wychwytywania złożonych, nieliniowych zależności między kowariancjami a wynikami przeżycia. Rozwiązuje problem modelowania heterogenicznych efektów leczenia i przewidywania czasu do zdarzenia w ustawieniach wysokowymiarowych.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/pl/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 przyspieszonego czasu przeżycia (AFT)Analiza przeżycia↔ compare
- Regresja proporcjonalnego hazardu CoxaAnaliza przeżycia↔ compare
- Parametryczny model regresji przeżycia WeibullaAnaliza przeżycia↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →