Quali approcci di deep learning per l'analisi di sopravvivenza (DeepSurv, DeepHit)?

DeepSurv e DeepHit sono due approcci popolari di deep learning per l’analisi di sopravvivenza, che consentono di modellare il tempo fino al verificarsi di un evento considerando i dati censurati.

• DeepSurv è una rete neurale basata sul modello di rischi proporzionali di Cox. Viene addestrata per minimizzare il logaritmo negativo della verosimiglianza parziale di Cox, permettendo di prevedere il rischio individuale di un evento. DeepSurv è adatto per modellare l’influenza delle covariate sul rischio e può considerare dipendenze non lineari.

• DeepHit è un modello più complesso che modella direttamente la funzione di sopravvivenza e la probabilità di occorrenza dell’evento in momenti discreti nel tempo. Utilizza una rete neurale multitask addestrata con una funzione di perdita combinata che considera la precisione nella previsione del tempo dell’evento e la corretta gestione dei dati censurati. DeepHit può modellare rischi concorrenti e descrivere in modo più flessibile la distribuzione del tempo fino all’evento.

Entrambi gli approcci permettono di sfruttare la potenza delle reti neurali profonde per l’analisi di sopravvivenza, superando i limiti dei modelli statistici classici.