DeepHit
Deep Learning for Competing Risks · Ayrıca şöyle bilinir: Neural network competing risks, DL competing events
DeepHit, Lee ve ark. tarafından 2018'de tanıtılan, rakip riskler için hayatta kalma analizinde kullanılan derin bir sinir ağı çerçevesidir. Bu çerçeve, hastalık kaynaklı ölüm veya diğer nedenlerden ölüm gibi birden fazla, karşılıklı olarak birbirini dışlayan olayın meydana gelebileceği durumları ele almak üzere DeepSurv'ü genişletir. DeepHit, bireylerin farklı türde sonlandırıcı olaylar yaşayabileceği durumlarda kişiselleştirilmiş risk tahmininin zorluğunu çözer; bu, tıbbi ve güvenilirlik uygulamalarında yaygın bir senaryodur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Birden fazla rakip olay türünüz olduğunda ve her bir sonuç için kişiselleştirilmiş risk tahminleri istediğinizde DeepHit'i kullanın. Özellikle hastaların hastalıktan veya ilgisiz nedenlerden ölebileceği klinik ortamlarda, birden fazla arıza moduna sahip güvenilirlik mühendisliğinde veya birden fazla çıkış rotasına (kayıp nedenleri) sahip müşteri analitiğinde değerlidir. Yöntem, bilgilendirici olmayan sansürü ve rakip risklerin tanımlanmış ve ölçülebilir olduğunu varsayar. Olay türleri ve kovaryantlar arasındaki karmaşık etkileşimleri beklediğinizde, olay-spesifik tehlike modelleri yerine DeepHit'i tercih edin.
Güçlü yönler & sınırlılıklar
- Her rakip olay için kümülatif insidans fonksiyonlarını doğrudan modeller, olasılık kısıtlamalarına uyar
- Her olay türü için karmaşık kovaryant etkileşimlerini ve doğrusal olmayan etkileri eş zamanlı olarak yakalar
- Tek bir birleşik modelden tüm rakip olaylar için kalibre edilmiş, kişiselleştirilmiş risk tahminleri üretir
- Manuel sınıflandırma yapmadan olay-spesifik tedavi etkilerinin keşfedilmesini sağlar
- Yüksek boyutlu kovaryantları ve seyrek olay verilerini geleneksel yaklaşımlardan daha sağlam bir şekilde ele alır
- Güvenilir bir şekilde eğitmek için her rakip risk kategorisi için yeterli olay sayımı gerektirir
- Ağ mimarisi ve eğitim hedefi, daha basit rakip risk yöntemlerine kıyasla karmaşıklık ekler
- Doğrudan insidans modelleme yaklaşımının teorik gerekçesi, olay-spesifik modellere göre daha az yerleşiktir
- Çoklu-görev sinir ağı eğitimi nedeniyle hesaplama maliyeti daha yüksektir
- Birden fazla olay türü ortaklaşa modellendiğinde öğrenilmiş temsillerin yorumlanması zordur
SSS
DeepHit, olay-spesifik tehlikeleri ayrı ayrı modellemekten nasıl farklıdır?
DeepHit, çoklu-görev öğrenmesi ile birleşik bir sinir ağı kullanarak kümülatif insidans fonksiyonlarını doğrudan modeller. Geleneksel olay-spesifik yaklaşımlar, her olayın tehlikesini bağımsız olarak modeller, ardından insidansı elde etmek için bunları matematiksel olarak birleştirir. DeepHit'in ortak öğrenmesi, olay-spesifik kovaryant etkileşimlerini daha iyi yakalayabilir ve paylaşılan kovaryant etkilerini daha verimli bir şekilde ele alabilir.
DeepHit ile Fine-Gray regresyonu arasındaki ilişki nedir?
Fine-Gray regresyonu, doğrusallık varsayımıyla kısmi olabilirlik kullanarak alt-dağılım tehlikelerini modeller. DeepHit, bu doğrusal varsayımı bir sinir ağı ile değiştirerek doğrusal olmayan ilişkileri öğrenir. Her ikisi de aynı kümülatif insidans fonksiyonunu hedefler, ancak DeepHit daha fazla esneklik sunar.
DeepHit, insidans olasılıklarının neden bir'e toplandığını nasıl garanti eder?
Çıktı katmanı, tüm insidans eğrilerinin karşılıklı olarak dışlayıcı ve eksiksiz olmasını sağlamak için olay türleri arasında softmax benzeri bir kısıtlama kullanır. Eğitim hedefi, bu kısıtlamanın ihlallerini cezalandırarak, modelin rakip risk yapısına uymasını teşvik eder.
Bir olay türü çok nadir ise DeepHit'i kullanabilir miyim?
Nadir olay türleri eğitimi zorlaştırır. Dengesiz olayları ele almak için, eğitim sırasında nadir olayları yukarı ağırlıklandıran ağırlıklı kayıp fonksiyonları veya her yığının tüm olay türlerinin örneklerini içerdiğinden emin olmak için katmanlı örnekleme kullanın. Sınıf dengeleme, güvenilir tahminler için kritiktir.
Farklı olay türleri için çıktı başlığı sayısını nasıl seçmeliyim?
Uygulamanızdaki her farklı rakip olay türü için bir çıktı başlığı ekleyin. Ancak, ayrı risk tahminlerine ihtiyacınız yoksa nadir olay türlerini birleştirin. Tahmin doğruluğunu en üst düzeye çıkarmak için çapraz doğrulama kullanarak farklı gruplamaları test edin.
DeepHit'i hangi yazılımlar uygular?
DeepHit uygulamaları pycox (Python) ve özel TensorFlow ve PyTorch kodlarında mevcuttur. lifelines üzerine kurulu bazı paketler de rakip risk fonksiyonelliği sunar, ancak özel paketler daha gelişmiş uygulamalar sunar.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/tr/survival/deephit
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- DeepSurvSağkalım↔ karşılaştır