DeepHit
DeepHit je rámec hlbokej neurónovej siete pre analýzu prežitia s konkurenčnými rizikami. Predstavený bol Lee et al. v roku 2018 a rozširuje DeepSurv tak, aby zvládal nastavenia, kde sa môže vyskytnúť viacero vzájomne sa vylučujúcich udalostí, ako napríklad úmrtnosť špecifická pre ochorenie verzus úmrtie z iných príčin. DeepHit rieši výzvu personalizovanej predikcie rizika, keď subjekty môžu zažiť rôzne typy terminálnych udalostí, čo je bežný scenár v medicínskych a spoľahlivostných aplikáciách.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/sk/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 →Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →