DeepHit
DeepHit — це фреймворк глибоких нейронних мереж для аналізу виживаності з конкуруючими ризиками. Запропонований Лі та ін. у 2018 році, він розширює DeepSurv для обробки ситуацій, коли можуть виникати множинні, взаємовиключні події, такі як смертність від конкретного захворювання проти смерті від інших причин. DeepHit вирішує проблему персоналізованого прогнозування ризику, коли суб'єкти можуть переживати різні типи термінальних подій, що є поширеним сценарієм у медичних та надійнісних застосуваннях.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/uk/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 →Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →