Care sunt abordările de deep learning pentru analiza de supraviețuire (DeepSurv, DeepHit)?

DeepSurv și DeepHit sunt două abordări populare de învățare profundă pentru analiza supraviețuirii, care permit modelarea timpului până la apariția unui eveniment ținând cont de datele censurate.

• DeepSurv este o rețea neuronală bazată pe modelul de riscuri proporționale Cox. Este antrenată pentru a minimiza log-verosimilitatea parțială negativă Cox, ceea ce permite prezicerea riscului individual al unui eveniment. DeepSurv este potrivit pentru modelarea influenței covariatelor asupra riscului și poate lua în considerare dependențe neliniare.

• DeepHit este un model mai complex care modelează direct funcția de supraviețuire și probabilitatea apariției evenimentului în momente discrete în timp. Utilizează o rețea neuronală multitask, antrenată cu o funcție de pierdere combinată care ia în considerare precizia prezicerii timpului evenimentului și gestionarea corectă a datelor censurate. DeepHit poate modela riscuri concurente și poate descrie mai flexibil distribuția timpului până la eveniment.

Ambele abordări permit utilizarea puterii rețelelor neuronale profunde pentru analiza supraviețuirii, depășind limitele modelelor statistice clasice.