هو اي نموذج الDeepHit ؟

وعليكم السلام ورحمة الله وبركاته.

إن نموذج DeepHit هو نموذج تعلم عميق حيث يستخدم في مجال التنبؤ بتوقيت الأحداث النجاة أو الفشل (Survival Analysis) في الحالات التي تعتمد على بيانات معقدة ومتغيرة بمرور الوقت وهذا بالنسبة للسياق الطبي .

ويعتمد هذا النموذج بشكل أساسي على الشبكات العصبية العميقة ويُستخدم عادةً في تحليل البيانات الزمنية و تحليل بيانات النجاة مثل التنبؤ بمعدل النجاة للمرضى .

وعليكم السلام ورحمة الله وبركاته.

أولاً تحليل البقاء (Survival Analysis) هو مجموعة من الأساليب الإحصائية المستخدمة لدراسة الوقت حتى حدوث حدث معين، مثل:

• الوقت حتى وفاة المريض.
• الوقت حتى فشل الآلة.
• الوقت حتى عودة المرض.

لذا نموذج DeepHit هو نموذج لتحليل البقاء باستخدام التعلم العميق. ويعتبر تطور مهم في هذا المجال حيث يستخدم DeepHit شبكة عصبية عميقة للتعلم مباشرة من البيانات، بدلاً من الاعتماد على افتراضات إحصائية كما في النماذج التقليدية. هذا يجعله أكثر مرونة وقدرة على التكيف مع العلاقات المعقدة في البيانات.

بتاريخ 4 دقائق مضت قال محمد عاطف17:

وعليكم السلام ورحمة الله وبركاته.

إن نموذج DeepHit هو نموذج تعلم عميق حيث يستخدم في مجال التنبؤ بتوقيت الأحداث النجاة أو الفشل (Survival Analysis) في الحالات التي تعتمد على بيانات معقدة ومتغيرة بمرور الوقت وهذا بالنسبة للسياق الطبي .

ويعتمد هذا النموذج بشكل أساسي على الشبكات العصبية العميقة ويُستخدم عادةً في تحليل البيانات الزمنية و تحليل بيانات النجاة مثل التنبؤ بمعدل النجاة للمرضى .

 

يعني ممكن ان يتنباء بقيه عمود efs وكمان العمود دهefs_time في نفس الوقت

بتاريخ 8 دقائق مضت قال Ali Ahmed55:

يعني ممكن ان يتنباء بقيه عمود efs وكمان العمود دهefs_time في نفس الوقت

 

نعم يستطيع النموذج التنبؤ بقيم العمود efs والعمود efs_time (الوقت حتى الحدث) في نفس الوقت، وذلك لأنه مصمم خصيصًا لتحليل البقاء (Survival Analysis) والتعامل مع البيانات التي تحتوي على معلومات عن الوقت وحتى حدوث حدث معين.

حيث يتميز النموذج بالتنبؤ المتعدد (Multi-Task Learning) حيث يمكنه أن يتنبأ بمعدل البقاء ووقت الحدث في نفس الوقت.

بتاريخ الآن قال محمد عاطف17:

نعم يستطيع النموذج التنبؤ بقيم العمود efs والعمود efs_time (الوقت حتى الحدث) في نفس الوقت، وذلك لأنه مصمم خصيصًا لتحليل البقاء (Survival Analysis) والتعامل مع البيانات التي تحتوي على معلومات عن الوقت وحتى حدوث حدث معين.

حيث يتميز النموذج بالتنبؤ المتعدد (Multi-Task Learning) حيث يمكنه أن يتنبأ بمعدل البقاء ووقت الحدث في نفس الوقت.

 

الف شكرااا جدا جدا لحضرتكم

جزاكم الله كل خير

انا بستفيد كثير او منكم 

فالف شكراااا جدا

ذلك نموذج تعلم عميق مُصمم خصيصًا لتحليل البقاء Survival Analysis مع مراعاة المخاطر المتعددة المُتنافسة Competing Risks،  والفائدة منه  التنبؤ بوقت حدوث حدث ما (مثل الوفاة، الفشل، الانتكاسة) في وجود أحداث متعددة قد تمنع حدوث الحدث الرئيسي.

بمعنى يتميز بمعالجة المخاطر المُتنافسة أي التعامل مع سيناريوهات توجد فيها أحداث متعددة تؤثر على بعضها البعض كوفاة مريض بسبب سببين مختلفين، أو تحليل مغادرة العملاء مع أسباب متنافسة مثل الانتقال إلى منافس أو إلغاء الخدمة.

وعدم افتراض توزيع معين، أي لا يفترض النموذج شكلًا محددًا لوظيفة الخطر، على عكس نماذج مثل Cox Proportional Hazards التي تفترض تناسبًا خطيًا للمخاطر.

ويستخدم شبكات عصبية عميقة لاكتشاف العلاقات المعقدة والغير خطية بين الميزات ووقت الحدث.

والتنبؤ بتوزيع الوقت بدلًا من تقدير خطر لحظي، يُخرج النموذج توزيعًا احتماليًا لوقت الحدث لكل خطر على حدة.

ويعمل بالآلية التالية، يُدرب النموذج على بيانات تحتوي على:

• ميزات المريض/العينة Features.
• وقت المراقبة Time-to-event.
• نوع الحدث Event Type أو الإخفاق Censoring.

الهندسة المعمارية:

• طبقات الإدخال: تستقبل الميزات (مثل العمر، التشخيص الطبي).
• طبقات مخفية: تتعلم تمثيلات غير خطية للبيانات.
• طبقات الإخراج: تُنتج احتمالية حدوث كل حدث في فترات زمنية محددة.

دالة الخسارة Loss Function تجمع بين:

• خسارة الاحتمالية السلبية Negative Log-Likelihood لضمان دقة التنبؤات.
• عقوبة الاختلاف Difference Penalty لتجنب القفزات المفاجئة في التوزيع الزمني.

بتاريخ 5 ساعة قال Mustafa Suleiman:

ذلك نموذج تعلم عميق مُصمم خصيصًا لتحليل البقاء Survival Analysis مع مراعاة المخاطر المتعددة المُتنافسة Competing Risks،  والفائدة منه  التنبؤ بوقت حدوث حدث ما (مثل الوفاة، الفشل، الانتكاسة) في وجود أحداث متعددة قد تمنع حدوث الحدث الرئيسي.

بمعنى يتميز بمعالجة المخاطر المُتنافسة أي التعامل مع سيناريوهات توجد فيها أحداث متعددة تؤثر على بعضها البعض كوفاة مريض بسبب سببين مختلفين، أو تحليل مغادرة العملاء مع أسباب متنافسة مثل الانتقال إلى منافس أو إلغاء الخدمة.

وعدم افتراض توزيع معين، أي لا يفترض النموذج شكلًا محددًا لوظيفة الخطر، على عكس نماذج مثل Cox Proportional Hazards التي تفترض تناسبًا خطيًا للمخاطر.

ويستخدم شبكات عصبية عميقة لاكتشاف العلاقات المعقدة والغير خطية بين الميزات ووقت الحدث.

والتنبؤ بتوزيع الوقت بدلًا من تقدير خطر لحظي، يُخرج النموذج توزيعًا احتماليًا لوقت الحدث لكل خطر على حدة.

ويعمل بالآلية التالية، يُدرب النموذج على بيانات تحتوي على:

• ميزات المريض/العينة Features.
• وقت المراقبة Time-to-event.
• نوع الحدث Event Type أو الإخفاق Censoring.

الهندسة المعمارية:

• طبقات الإدخال: تستقبل الميزات (مثل العمر، التشخيص الطبي).
• طبقات مخفية: تتعلم تمثيلات غير خطية للبيانات.
• طبقات الإخراج: تُنتج احتمالية حدوث كل حدث في فترات زمنية محددة.

دالة الخسارة Loss Function تجمع بين:

• خسارة الاحتمالية السلبية Negative Log-Likelihood لضمان دقة التنبؤات.
• عقوبة الاختلاف Difference Penalty لتجنب القفزات المفاجئة في التوزيع الزمني.

الف شكرااا جدا لحضرتكم

بتاريخ On 30‏/1‏/2025 at 16:22 قال Mustafa Suleiman:

• وقت المراقبة Time-to-event.
• نوع الحدث Event Type أو الإخفاق Censoring

طيب معليش سوال 

ازي استخدم العمودين دول في النموذج يعني انا عندي عمود efs وعمود efs_time ازي الاثنين بيشتغلو يعني واحد هيختدم علي التاني والا اي ؟