Какие deep learning подходы к survival analysis (DeepSurv, DeepHit)?

DeepSurv и DeepHit — это два популярных deep learning подхода к анализу выживаемости (survival analysis), которые позволяют моделировать время до наступления события с учётом цензурированных данных.

• DeepSurv — это нейронная сеть, основанная на пропорциональной модели рисков Кокса (Cox proportional hazards model). Она обучается минимизировать негативный логарифм частичного правдоподобия Кокса, что позволяет предсказывать индивидуальный риск события. DeepSurv хорошо подходит для моделирования влияния ковариат на риск и может учитывать нелинейные зависимости.

• DeepHit — это более сложная модель, которая напрямую моделирует функцию выживания и вероятность наступления события в дискретные моменты времени. Она использует многозадачную нейронную сеть, обучаемую с помощью комбинированной функции потерь, учитывающей точность предсказания времени события и правильную обработку цензурированных данных. DeepHit может моделировать конкурирующие риски и более гибко описывать распределение времени до события.

Оба подхода позволяют использовать мощь глубоких нейросетей для анализа выживаемости, преодолевая ограничения классических статистических моделей.