DeepHit
DeepHit là một khuôn khổ mạng nơ-ron sâu cho phân tích sống còn với các rủi ro cạnh tranh. Được giới thiệu bởi Lee và cộng sự vào năm 2018, nó mở rộng DeepSurv để xử lý các tình huống mà nhiều sự kiện loại trừ lẫn nhau có thể xảy ra, chẳng hạn như tử vong do bệnh cụ thể so với tử vong do nguyên nhân khác. DeepHit giải quyết thách thức dự đoán rủi ro cá nhân hóa khi các đối tượng có thể trải qua các loại sự kiện cuối cùng khác nhau, một kịch bản phổ biến trong các ứng dụng y tế và độ tin cậy.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/vi/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 →Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →