DeepHit
DeepHit — это фреймворк глубоких нейронных сетей для анализа выживаемости с конкурирующими рисками. Предложенный Lee et al. в 2018 году, он расширяет DeepSurv для работы в условиях, когда могут произойти множественные, взаимоисключающие события, такие как смертность от конкретного заболевания по сравнению со смертью от других причин. DeepHit решает задачу персонализированного прогнозирования риска, когда субъекты могут испытывать различные типы конечных событий, что является распространенным сценарием в медицинских приложениях и приложениях, связанных с надежностью.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/ru/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 →Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →