Millised sügava õppe lähenemised ellujäämise analüüsiks (DeepSurv, DeepHit)?

DeepSurv ja DeepHit on kaks populaarset süvaõppimise lähenemisviisi ellujäämise analüüsiks, mis võimaldavad modelleerida aega kuni sündmuse toimumiseni, võttes arvesse tsenseeritud andmeid.

• DeepSurv on närvivõrk, mis põhineb Coxi proportsionaalse riskimudeli. Seda treenitakse Coxi osalise tõenäosuse negatiivse logaritmi minimeerimiseks, võimaldades prognoosida individuaalset sündmusriski. DeepSurv sobib kovariantide mõju modelleerimiseks riskile ning võib arvestada mitte-lineaarseid sõltuvusi.

• DeepHit on keerulisem mudel, mis modelleerib otse ellujäämisfunktsiooni ja sündmuse tõenäosust diskreetsetel ajahetkedel. Kasutab mitmeülesandelist närvivõrku, mida treenitakse kombineeritud kaotusefunktsiooniga, mis arvestab sündmuse aja täpsust ja tsenseeritud andmete õiget töötlemist. DeepHit suudab modelleerida konkurentsivõimelisi riske ning kirjeldada paindlikumalt aja jaotust enne sündmust.

Mõlemad lähenemisviisid võimaldavad kasutada sügavate närvivõrkude jõudu ellujäämise analüüsis, ületades klassikaliste statistiliste mudelite piirangud.