Hayatta kalma analizi için derin öğrenme yaklaşımları nelerdir (DeepSurv, DeepHit)?

DeepSurv ve DeepHit, olayın gerçekleşme zamanını, sansürlenmiş verileri dikkate alarak modellemeye olanak tanıyan popüler derin öğrenme yaklaşımlarıdır.

• DeepSurv, Cox orantılı risk modeli temelli bir sinir ağıdır. Cox’un kısmi olasılıklarının negatif logaritmasını minimize edecek şekilde eğitilir, bu da bireysel olay riski tahminine olanak tanır. DeepSurv, kovaryantların risk üzerindeki etkisini modellemek ve doğrusal olmayan bağımlılıkları dikkate almak için uygundur.

• DeepHit, doğrudan hayatta kalma fonksiyonunu ve olayın gerçekleşme olasılığını zamanın belirli noktalarında modelleyen daha karmaşık bir modeldir. Çok görevli bir sinir ağı kullanır ve olay zamanının tahmin doğruluğu ile sansürlü verilerin doğru işlenmesini içeren birleşik bir kayıp fonksiyonuyla eğitilir. DeepHit, rekabet eden riskleri modelleyebilir ve olay zamanının dağılımını daha esnek şekilde tanımlayabilir.

Her iki yaklaşım da derin sinir ağlarının gücünü kullanarak hayatta kalma analizini sağlar ve klasik istatistiksel modellerin sınırlamalarını aşar.