DeepSurv
Deep Learning for Survival Analysis · Ayrıca şöyle bilinir: Neural network survival, DL survival model
DeepSurv, sağkalım analizi için geliştirilmiş, kişiselleştirilmiş sağkalım dağılımlarını doğrudan veriden öğrenen bir derin sinir ağı yaklaşımıdır. Katzman ve arkadaşları tarafından 2018'de tanıtılan bu yöntem, kovaryatlar ve sağkalım sonuçları arasındaki karmaşık, doğrusal olmayan ilişkileri yakalamak için derin öğrenmeyi kullanarak Cox orantılı tehlikeler modelini genişletir. Yüksek boyutlu ayarlarda heterojen tedavi etkileri ve olaya kadar geçen süre tahminleri modelleme sorununu çözer.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Yüksek boyutlu kovaryatlarınız olduğunda, değişkenler arasında doğrusal olmayan veya etkileşim etkileri beklediğinizde veya kişiselleştirilmiş sağkalım tahminlerine ihtiyaç duyduğunuzda DeepSurv kullanın. Tedavi etkilerinin bireysel özelliklere göre değiştiği hassas tıp uygulamalarında özellikle değerlidir. Orantılı tehlikelerin yaklaşık olarak geçerli olduğunu ve ağın güvenilir bir şekilde öğrenmesi için yeterli veriye sahip olduğunuzu varsayın. Ön keşifler doğrusallık varsayımının ihlal edildiğini gösterdiğinde Cox regresyonuna kıyasla DeepSurv'ü tercih edin.
Güçlü yönler & sınırlılıklar
- Kovaryatlar ve sağkalım sonuçları arasındaki karmaşık, doğrusal olmayan ilişkileri otomatik olarak yakalar
- Bireysel denekler için yorumlanabilir kişiselleştirilmiş tehlike tahminleri ve sağkalım eğrileri üretir
- Derin öğrenme temsil öğrenimi aracılığıyla yüksek boyutlu kovaryat uzaylarını doğal olarak ele alır
- Manuel özellik mühendisliği olmadan tedavi-kovaryat etkileşimlerinin keşfedilmesini sağlar
- Klinik karar desteği için uygun olasılıksal tahminler sunar
- Doğru tahmin için geleneksel Cox modellerinden önemli ölçüde daha fazla veri gerektirir
- Ağ mimarisi ve hiperparametre seçimi, modelleme sürecine karmaşıklık katar
- Orantılı tehlikeler varsayımı üzerindeki teorik garantiler Cox regresyonundan daha zayıftır
- Sinir ağı eğitimi nedeniyle hesaplama maliyeti daha yüksektir
- Özellik öneminin yorumlanması geleneksel yöntemlerden daha az basittir
SSS
DeepSurv, Cox regresyonundan nasıl farklıdır?
Cox regresyonu, log-tehlikeler ve kovaryatlar arasında doğrusal bir ilişki varsayar. DeepSurv, bu doğrusal varsayımı bir sinir ağı ile değiştirerek keyfi doğrusal olmayan dönüşümleri öğrenmesine olanak tanır. Her ikisi de aynı kısmi olabilirlik hedefini kullanır, ancak DeepSurv etkileşimleri ve karmaşık örüntüleri otomatik olarak yakalayabilir.
DeepSurv'deki temel tehlike nedir ve nasıl tahmin edilir?
Temel tehlike (tüm kovaryatlar sıfır olduğunda tehlike) ağ tarafından açıkça tahmin edilmez. Bunun yerine, Breslow tahmincisi, ağ eğitildikten sonra, artıkları kullanarak eğitim verilerinden bunu hesaplar. Bu ayrıştırma, DeepSurv'ün kovaryat etkilerini öğrenmeye odaklanmasını sağlar.
Güvenilir bir DeepSurv modeli eğitmek için kaç deneğe ihtiyacım var?
Sabit bir kural yoktur, ancak derin öğrenme genellikle geleneksel yöntemlerden daha fazla örnek gerektirir. Pratik bir kılavuz, kovaryat başına (veya küçük ağlarda gizli birim başına) en az 50-100 olaya sahip olmaktır. Daha az denekle, Cox regresyonu gibi daha basit modeller tercih edilir.
DeepSurv zamanla değişen kovaryatları ele alabilir mi?
Standart DeepSurv (ve Cox regresyonu) kovaryatların sabit olduğunu varsayar. Tekrarlayan sinir ağları (RNN'ler) veya transformatörler kullanan uzantılar, zamanla değişen kovaryatları modelleyebilir, ancak bunlar daha gelişmiş varyantlardır.
Ağ mimarisini nasıl seçmeliyim?
Bir veya iki gizli katmanla (her biri 32-128 birim) başlayın ve uyum indeksi kullanarak çapraz doğrulama yoluyla ayarlayın. Daha derin ağlar aşırı uyum sağlayabilir; düzenlileştirme (dropout, L1/L2) esastır. Doğrulama kümesi üzerinde erken durdurma aşırı uyumu önler.
Hangi yazılım paketleri DeepSurv'ü uygulamaktadır?
Orijinal DeepSurv kodu TensorFlow'da mevcuttur. Modern uygulamalar arasında lifelines (Python), pycox ve DeepLearningLifeExpectancy bulunmaktadır. Her birinin farklı özellikleri ve hesaplama arka uçları vardır.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/tr/survival/deepsurv
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Hızlandırılmış Arıza Süresi (AFT) ModeliSağkalım↔ karşılaştır
- Cox Orantılı Tehlike RegresyonuSağkalım↔ karşılaştır
- Weibull Parametrik Sağkalım RegresyonuSağkalım↔ karşılaştır