Кои са подходите за дълбоко обучение към анализа на оцеляването (DeepSurv, DeepHit)?

DeepSurv и DeepHit са два популярни подхода за дълбоко обучение за анализ на оцеляването, които позволяват моделиране на времето до настъпване на събитие, като вземат предвид цензурираните данни.

• DeepSurv е невронна мрежа, базирана на пропорционалния модел на рисковете на Кокс. Тя се обучава да минимизира негативния логаритъм на частичната вероятност на Кокс, което позволява да се предсказва индивидуалният риск от събитие. DeepSurv е подходящ за моделиране на влиянието на ковариатите върху риска и може да взема предвид нелинейни зависимости.

• DeepHit е по-сложен модел, който директно моделира функцията на оцеляване и вероятността за настъпване на събитието в дискретни моменти от времето. Използва многозадачна невронна мрежа, обучавана с комбинирана функция на загуба, която отчита точността на предсказване на времето на събитието и правилната обработка на цензурираните данни. DeepHit може да моделира конкуриращи се рискове и по-гъвкаво описва разпределението на времето до събитието.

И двата подхода позволяват да се използва силата на дълбоките невронни мрежи за анализ на оцеляването, преодолявайки ограниченията на класическите статистически модели.