Welke deep learning-benaderingen voor survival analysis (DeepSurv, DeepHit)?

DeepSurv en DeepHit zijn twee populaire benaderingen van deep learning voor overlevingsanalyse, waarmee de tijd tot het optreden van een gebeurtenis kan worden gemodelleerd, rekening houdend met gecensureerde gegevens.

• DeepSurv is een neuraal netwerk gebaseerd op het Cox-proportionele hazardmodel. Het wordt getraind om de negatieve log-waarheidsgetrouwheid van Cox te minimaliseren, waardoor het individuele risico op een gebeurtenis kan voorspellen. DeepSurv is geschikt voor het modelleren van de invloed van covariaten op het risico en kan niet-lineaire afhankelijkheden in overweging nemen.

• DeepHit is een complexer model dat direct de overlevingsfunctie en de waarschijnlijkheid van het optreden van een gebeurtenis in discrete tijdstippen modelleert. Het gebruikt een multitask-neuraal netwerk dat wordt getraind met een gecombineerde verliesfunctie die de nauwkeurigheid van de voorspelling van de gebeurtenistijd en de juiste verwerking van gecensureerde gegevens in overweging neemt. DeepHit kan concurrerende risico’s modelleren en de verdeling van de tijd tot de gebeurtenis flexibeler beschrijven.

Beide benaderingen maken gebruik van de kracht van diepe neurale netwerken voor overlevingsanalyse, waarmee de beperkingen van klassieke statistische modellen worden overwonnen.