Jaké přístupy hlubokého učení k analýze přežití (DeepSurv, DeepHit)?

DeepSurv a DeepHit jsou dva oblíbené přístupy hlubokého učení pro analýzu přežití, které umožňují modelovat čas do události s ohledem na censurovaná data.

• DeepSurv je neuronová síť založená na Coxově proporcionálním modelu rizik. Je trénována tak, aby minimalizovala záporný logaritmus částečné věrohodnosti Coxa, což umožňuje předpovídat individuální riziko události. DeepSurv je vhodný pro modelování vlivu kovariát na riziko a může zohlednit nelineární závislosti.

• DeepHit je složitější model, který přímo modeluje funkci přežití a pravděpodobnost výskytu události v diskrétních časových okamžicích. Používá víceúkolovou neuronovou síť trénovanou s kombinovanou funkcí ztráty, která zohledňuje přesnost předpovědi času události a správné zpracování censurovaných dat. DeepHit může modelovat konkurenční rizika a flexibilněji popisovat rozdělení času do události.

Oba přístupy umožňují využít sílu hlubokých neuronových sítí pro analýzu přežití, překonávají omezení klasických statistických modelů.