Jakie podejścia deep learning do analizy przeżycia (DeepSurv, DeepHit)?

DeepSurv i DeepHit to dwa popularne podejścia głębokiego uczenia się do analizy przeżycia, które pozwalają modelować czas do wystąpienia zdarzenia z uwzględnieniem danych cenzurowanych.

• DeepSurv to sieć neuronowa oparta na modelu proporcjonalnych hazardów Coxa. Jest trenowana w celu minimalizacji negatywnego logarytmu częściowej wiarygodności Coxa, co pozwala na przewidywanie indywidualnego ryzyka zdarzenia. DeepSurv dobrze nadaje się do modelowania wpływu kowariant na ryzyko i może uwzględniać nieliniowe zależności.

• DeepHit to bardziej złożony model, który bezpośrednio modeluje funkcję przeżycia i prawdopodobieństwo wystąpienia zdarzenia w dyskretnych momentach czasu. Używa wielozadaniowej sieci neuronowej, trenowanej za pomocą połączonej funkcji straty, uwzględniającej dokładność przewidywania czasu zdarzenia i poprawne obsługiwanie danych cenzurowanych. DeepHit może modelować konkurujące ryzyka i bardziej elastycznie opisywać rozkład czasu do zdarzenia.

Oba podejścia pozwalają na wykorzystanie mocy głębokich sieci neuronowych do analizy przeżycia, pokonując ograniczenia klasycznych modeli statystycznych.