DeepHit
DeepHit este un cadru de rețea neuronală profundă pentru analiza supraviețuirii cu riscuri concurente. Introdus de Lee et al. în 2018, extinde DeepSurv pentru a gestiona scenarii în care pot apărea multiple evenimente, mutual exclusive, cum ar fi mortalitatea specifică bolii versus decesul din alte cauze. DeepHit rezolvă provocarea predicției personalizate a riscului atunci când subiecții pot experimenta diferite tipuri de evenimente terminale, un scenariu comun în aplicațiile medicale și de fiabilitate.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/ro/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 →Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →