Quais abordagens de deep learning para análise de sobrevivência (DeepSurv, DeepHit)?

DeepSurv e DeepHit são duas abordagens populares de aprendizagem profunda para análise de sobrevivência, que permitem modelar o tempo até a ocorrência de um evento considerando dados censurados.

• DeepSurv é uma rede neural baseada no modelo de riscos proporcionais de Cox. Ela é treinada para minimizar a log-verossimilhança parcial negativa de Cox, permitindo prever o risco individual de um evento. DeepSurv é adequada para modelar a influência de covariáveis no risco e pode levar em conta dependências não lineares.

• DeepHit é um modelo mais complexo que modela diretamente a função de sobrevivência e a probabilidade de ocorrência do evento em momentos discretos no tempo. Utiliza uma rede neural multitarefa treinada com uma função de perda combinada que considera a precisão na previsão do tempo do evento e o tratamento correto de dados censurados. DeepHit pode modelar riscos concorrentes e descrever de forma mais flexível a distribuição do tempo até o evento.

Ambas as abordagens permitem usar o poder de redes neurais profundas para análise de sobrevivência, superando as limitações dos modelos estatísticos clássicos.