Kādi dziļās mācīšanās pieejas ir paredzētas izdzīvošanas analīzei (DeepSurv, DeepHit)?

DeepSurv un DeepHit ir divi populāri dziļās mācīšanās pieejas dzīvības analīzei, kas ļauj modelēt laiku līdz notikumam, ņemot vērā cenzētus datus.

• DeepSurv ir neironu tīkls, kas balstīts uz Cox proporcionālo risku modeli. Tas tiek apmācīts minimizēt Cox daļējo varbūtību negatīvo logaritmu, ļaujot prognozēt individuālo notikuma risku. DeepSurv ir piemērots kovariātu ietekmes modelēšanai uz risku un var ņemt vērā nelineāras atkarības.

• DeepHit ir sarežģītāks modelis, kas tieši modelē dzīvības funkciju un notikuma varbūtību diskretos laika punktos. Tas izmanto daudzuzdevumu neironu tīklu, kas apmācīts ar kombinētu zaudējumu funkciju, kas ņem vērā notikuma laika precizitāti un pareizu cenzēto datu apstrādi. DeepHit var modelēt konkurējošus riskus un elastīgāk aprakstīt laika sadalījumu līdz notikumam.

Abi pieejas ļauj izmantot dziļo neironu tīklu spēku, pārvarot klasisko statistisko modeļu ierobežojumus.