Ποιες προσεγγίσεις βαθιάς μάθησης για την ανάλυση επιβίωσης (DeepSurv, DeepHit);

DeepSurv και DeepHit είναι δύο δημοφιλείς προσεγγίσεις βαθιάς μάθησης για την ανάλυση επιβίωσης, που επιτρέπουν τη μοντελοποίηση του χρόνου μέχρι την εμφάνιση ενός γεγονότος λαμβάνοντας υπόψη τα δεδομένα που έχουν λογοκριθεί.

• DeepSurv είναι ένα νευρωνικό δίκτυο βασισμένο στο μοντέλο αναλογικών κινδύνων του Cox. Εκπαιδεύεται για να ελαχιστοποιήσει το αρνητικό λογάριθμο της μερικής πιθανοφάνειας του Cox, επιτρέποντας την πρόβλεψη του ατομικού κινδύνου ενός γεγονότος. Το DeepSurv είναι κατάλληλο για τη μοντελοποίηση της επίδρασης των μεταβλητών στον κίνδυνο και μπορεί να λαμβάνει υπόψη μη γραμμικές εξαρτήσεις.

• DeepHit είναι ένα πιο πολύπλοκο μοντέλο που μοντελοποιεί άμεσα τη λειτουργία επιβίωσης και την πιθανότητα εμφάνισης του γεγονότος σε διακριτά χρονικά σημεία. Χρησιμοποιεί ένα πολυ-εργασιακό νευρωνικό δίκτυο που εκπαιδεύεται με μια συνδυασμένη λειτουργία απώλειας που λαμβάνει υπόψη την ακρίβεια της πρόβλεψης του χρόνου του γεγονότος και τη σωστή διαχείριση των λογοκριμένων δεδομένων. Το DeepHit μπορεί να μοντελοποιήσει ανταγωνιστικούς κινδύνους και να περιγράψει πιο ευέλικτα την κατανομή του χρόνου μέχρι το γεγονός.

Και οι δύο προσεγγίσεις επιτρέπουν την αξιοποίηση της δύναμης των βαθιών νευρωνικών δικτύων για την ανάλυση επιβίωσης, ξεπερνώντας τους περιορισμούς των κλασικών στατιστικών μοντέλων.