Aké sú prístupy hlbokého učenia k analýze prežitia (DeepSurv, DeepHit)?

DeepSurv a DeepHit sú dva obľúbené prístupy hlbokého učenia na analýzu prežitia, ktoré umožňujú modelovanie času do udalosti s ohľadom na censurované údaje.

• DeepSurv je neurónová sieť založená na Coxovom proporcionálnom modeli rizík. Je trénovaná na minimalizáciu záporného logaritmu čiastočnej pravdepodobnosti Coxa, čo umožňuje predpovedať individuálne riziko udalosti. DeepSurv je vhodný na modelovanie vplyvu kovariát na riziko a môže zohľadniť nelineárne závislosti.

• DeepHit je zložitejší model, ktorý priamo modeluje funkciu prežitia a pravdepodobnosť výskytu udalosti v diskrétnych časových bodoch. Používa viacúlohovú neurónovú sieť, ktorá sa trénuje s kombinovanou stratovou funkciou, ktorá zohľadňuje presnosť predpovede času udalosti a správne spracovanie censurovaných údajov. DeepHit môže modelovať konkurenčné riziká a flexibilnejšie opisovať rozdelenie času do udalosti.

Oba prístupy umožňujú využitie sily hlbokých neurónových sietí pre analýzu prežitia, prekonať obmedzenia klasických štatistických modelov.