DeepSurv
DeepSurv — це підхід до аналізу виживаності на основі глибоких нейронних мереж, який безпосередньо навчає індивідуалізовані розподіли виживаності з даних. Запропонований Katzman et al. у 2018 році, він розширює модель пропорційних ризиків Кокса, використовуючи глибоке навчання для захоплення складних нелінійних залежностей між коваріатами та результатами виживаності. Він вирішує проблему моделювання гетерогенних ефектів лікування та прогнозування часу до події у високорозмірних умовах.
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
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/uk/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.
- Модель прискореного часу відмови (AFT)Аналіз виживаності↔ compare
- Регресія пропорційних небезпек КоксаАналіз виживаності↔ compare
- Регресія Вейбулла (Weibull regression)Аналіз виживаності↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →