Deep Learning for Survival Analysis
Tradicionalne metode preživljavanja poput Coxove regresije pretpostavljaju linearni odnos između kovarijati i logaritma opasnosti. DeepSurv koristi neuronske mreže za automatsko učenje ovih složenih odnosa iz podataka. U svojoj srži, model izbacuje personalizovanu ocenu rizika (funkciju opasnosti) za svakog pojedinca na osnovu njihovog profila kovarijati. Mreža uči reprezentacije kovarijati kroz skrivene slojeve, omogućavajući joj da uhvati interakcije i nelinearne obrasce koje bi jednostavniji modeli propustili. Ključni uvid je da kombinovanjem dubokog učenja sa ciljem parcijalne verodostojnosti iz Coxove regresije, metoda postiže kako interpretativnost opasnosti, tako i fleksibilnost neuronskih mreža.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/sr/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 ubrzanog vremena do otkazivanja (AFT)Analiza preživljavanja↔ compare
- Regresija proporcionalnih opasnosti po Koks-uAnaliza preživljavanja↔ compare
- Vajbulova parametarska regresija preživljavanjaAnaliza preživljavanja↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →