Welche Deep-Learning-Ansätze für die Überlebensanalyse (DeepSurv, DeepHit)?

DeepSurv und DeepHit sind zwei beliebte Ansätze des Deep Learning für die Überlebensanalyse, die es ermöglichen, die Zeit bis zum Eintreten eines Ereignisses unter Berücksichtigung zensierter Daten zu modellieren.

• DeepSurv ist ein neuronales Netzwerk, das auf dem proportionalen Hazards-Modell von Cox basiert. Es wird trainiert, um die negative partielle Log-Likelihood von Cox zu minimieren, was die individuelle Risikoabschätzung eines Ereignisses ermöglicht. DeepSurv eignet sich gut, um den Einfluss von Kovariaten auf das Risiko zu modellieren und nichtlineare Abhängigkeiten zu berücksichtigen.

• DeepHit ist ein komplexeres Modell, das direkt die Überlebensfunktion und die Wahrscheinlichkeit des Eintretens eines Ereignisses zu diskreten Zeitpunkten modelliert. Es verwendet ein Multi-Task-Neuronales Netzwerk, das mit einer kombinierten Verlustfunktion trainiert wird, die die Genauigkeit der Ereigniszeitvorhersage und die korrekte Behandlung zensierter Daten berücksichtigt. DeepHit kann konkurrierende Risiken modellieren und die Verteilung der Zeit bis zum Ereignis flexibler beschreiben.

Beide Ansätze ermöglichen die Nutzung der Kraft tiefer neuronaler Netze für die Überlebensanalyse und überwinden die Grenzen klassischer statistischer Modelle.