Quelles approches de deep learning pour l'analyse de survie (DeepSurv, DeepHit) ?

DeepSurv et DeepHit sont deux approches populaires d’apprentissage profond pour l’analyse de survie, permettant de modéliser le temps jusqu’à la survenue d’un événement en tenant compte des données censurées.

• DeepSurv est un réseau de neurones basé sur le modèle de risques proportionnels de Cox. Il est entraîné pour minimiser la log-vraisemblance partielle négative de Cox, ce qui permet de prédire le risque individuel d’un événement. DeepSurv est adapté pour modéliser l’influence des covariables sur le risque et peut prendre en compte des dépendances non linéaires.

• DeepHit est un modèle plus complexe qui modélise directement la fonction de survie et la probabilité de survenue de l’événement à des moments discrets dans le temps. Il utilise un réseau neuronal multitâche entraîné avec une fonction de perte combinée qui considère la précision de la prédiction du temps de l’événement et la gestion correcte des données censurées. DeepHit peut modéliser des risques concurrents et décrire de manière plus flexible la distribution du temps jusqu’à l’événement.

Les deux approches permettent d’utiliser la puissance des réseaux neuronaux profonds pour l’analyse de survie, en dépassant les limites des modèles statistiques classiques.