Milyen deep learning megközelítések a túlélés elemzéséhez (DeepSurv, DeepHit)?

DeepSurv és DeepHit két népszerű mélytanulási megközelítés a túlélés elemzéséhez, amelyek lehetővé teszik az esemény bekövetkezéséig eltelt idő modellezését a cenzúrázott adatok figyelembevételével.

• DeepSurv egy Cox-féle arányos kockázati modell alapú neurális hálózat. A Cox részleges valószínűség negatív logaritmusának minimalizálására tanítják, ami lehetővé teszi az egyéni eseményszám kockázatának előrejelzését. A DeepSurv alkalmas a kovariánsok hatásának modellezésére a kockázatra, és figyelembe veheti a nemlineáris függőségeket.

• DeepHit egy összetettebb modell, amely közvetlenül modellezi a túlélési függvényt és az esemény bekövetkezésének valószínűségét diszkrét időpontokban. Többfeladatos neurális hálózatot használ, amelyet egy kombinált veszteségfüggvénnyel tanítanak, amely figyelembe veszi az esemény időpontjának előrejelzési pontosságát és a cenzúrázott adatok helyes kezelését. A DeepHit képes versengő kockázatokat modellezni, és rugalmasabban írja le az eseményig tartó idő eloszlását.

Mindkét megközelítés lehetővé teszi a mély neurális hálózatok erejének kihasználását a túlélés elemzésében, túllépve a klasszikus statisztikai modellek korlátait.