DeepSurv
DeepSurv เป็นแนวทางโครงข่ายประสาทเทียมเชิงลึกสำหรับการวิเคราะห์การรอดชีพ ซึ่งเรียนรู้การแจกแจงการรอดชีพเฉพาะบุคคลโดยตรงจากข้อมูล นำเสนอโดย Katzman และคณะ ในปี 2018 ขยายแบบจำลองอัตราความเสี่ยงตามสัดส่วนของ Cox โดยใช้การเรียนรู้เชิงลึกเพื่อจับความสัมพันธ์ที่ซับซ้อนและไม่เป็นเชิงเส้นระหว่างตัวแปรร่วมและผลลัพธ์การรอดชีพ สามารถแก้ปัญหาการสร้างแบบจำลองผลกระทบของการรักษาที่แตกต่างกันและการทำนายเวลาจนเกิดเหตุการณ์ในบริบทที่มีมิติสูง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/th/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.
- แบบจำลอง Accelerated Failure Time (AFT)การวิเคราะห์การอยู่รอด↔ compare
- การถดถอยภาวะเสี่ยงที่เป็นสัดส่วนของค็อกซ์ (Cox Proportional Hazards Regression)การวิเคราะห์การอยู่รอด↔ compare
- การถดถอยแบบพาราเมตริกแบบ Weibullการวิเคราะห์การอยู่รอด↔ compare