DeepHit
DeepHit är ett ramverk baserat på djupa neurala nätverk för överlevnadsanalys med konkurrerande risker. Metoden introducerades av Lee et al. 2018 och utökar DeepSurv för att hantera situationer där flera, ömsesidigt uteslutande händelser kan inträffa, såsom sjukdomsspecifik dödlighet jämfört med död av andra orsaker. DeepHit löser utmaningen med personlig riskprediktion när individer kan uppleva olika typer av terminala händelser, ett vanligt scenario inom medicinska tillämpningar och tillförlitlighetsanalys.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/sv/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 →Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →