¿Qué enfoques de deep learning para el análisis de supervivencia (DeepSurv, DeepHit)?

DeepSurv y DeepHit son dos enfoques populares de aprendizaje profundo para el análisis de supervivencia, que permiten modelar el tiempo hasta la ocurrencia de un evento teniendo en cuenta datos censurados.

• DeepSurv es una red neuronal basada en el modelo de riesgos proporcionales de Cox. Se entrena para minimizar la log-verosimilitud parcial negativa de Cox, lo que permite predecir el riesgo individual de un evento. DeepSurv es adecuado para modelar la influencia de covariables en el riesgo y puede tener en cuenta dependencias no lineales.

• DeepHit es un modelo más complejo que modela directamente la función de supervivencia y la probabilidad de ocurrencia del evento en momentos discretos en el tiempo. Utiliza una red neuronal multitarea entrenada con una función de pérdida combinada que considera la precisión en la predicción del tiempo del evento y el manejo correcto de datos censurados. DeepHit puede modelar riesgos competitivos y describir de manera más flexible la distribución del tiempo hasta el evento.

Ambos enfoques permiten aprovechar el poder de las redes neuronales profundas para el análisis de supervivencia, superando las limitaciones de los modelos estadísticos clásicos.