Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Deep Survival Analysis
Application des réseaux de neurones profonds pour modéliser les données de survie, permettant de capturer des relations non linéaires complexes entre les covariables et le risque d'événement.
Censure temporelle (Time Censoring)
Phénomène où l'événement d'intérêt n'est pas observé pour certaines unités avant la fin de l'étude, créant des données incomplètes qui nécessitent des méthodes d'analyse spécifiques.
Fonction de risque (Hazard Function)
Fonction décrivant le taux instantané d'occurrence de l'événement à un temps t, conditionnellement à la survie jusqu'à ce temps, modélisée différemment dans les approches deep learning.
DeepHit
Architecture de réseau de neurones profond qui modélise directement la distribution de survie discrète sans hypothèses paramétriques sur la forme de la fonction de risque.
Censure à droite (Right Censoring)
Type de censure le plus courant en analyse de survie où l'on sait que le temps de survie est supérieur à une certaine valeur observée, mais la valeur exacte est inconnue.
Loss de survie (Survival Loss)
Fonction de perte spécifiquement conçue pour les modèles d'analyse de survie, tenant compte à la fois des temps d'événement observés et des données censurées dans l'optimisation.
Réseau de Cox profond (Deep Cox Network)
Extension du modèle de Cox proportionnel utilisant un réseau de neurones pour apprendre une représentation non linéaire des covariables tout en maintenant l'hypothèse de proportionalité des risques.
Kaplan-Meier neuronal (Neural Kaplan-Meier)
Approche deep learning qui estime la fonction de survie en combinant la flexibilité des réseaux de neurones avec les propriétés non paramétriques de l'estimateur de Kaplan-Meier.
Censure informative (Informative Censoring)
Situation où le mécanisme de censure est lié au risque d'événement, violant l'hypothèse de censure non informative et nécessitant des modèles de survie plus sophistiqués.
Time-to-Event Prediction
Tâche de prédiction visant à estimer le temps jusqu'à l'occurrence d'un événement spécifique, utilisant des modèles deep learning pour gérer la complexité et la censure des données.
Survival Curve
Représentation graphique de la probabilité de survie au cours du temps, estimée par les modèles deep learning à partir des données d'entraînement et des prédictions individuelles.
Concordance Index (C-index)
Métrique d'évaluation spécifique à l'analyse de survie mesurant la capacité du modèle à ordonner correctement les temps d'événement entre les paires d'individus.
Dynamic Deep Survival Models
Modèles deep learning qui incorporent des données longitudinales ou séquentielles pour mettre à jour continuellement les prédictions de survie au fil du temps.
Competing Risks
Situation où plusieurs types d'événements mutuellement exclusifs peuvent survenir, nécessitant des modèles deep learning multi-tâches pour estimer les risques spécifiques à chaque cause.
Recurrent Neural Networks for Survival
Utilisation de RNN ou LSTM pour modéliser des données de survie séquentielles où les covariables évoluent dans le temps avant la survenue de l'événement.
Attention-based Survival Models
Architectures deep learning utilisant des mécanismes d'attention pour identifier les covariables les plus influentes sur le risque de survie à différents moments.
Frailty Models in Deep Learning
Extension des modèles de survie deep learning incorporant des effets aléatoires (frailty) pour capturer l'hétérogénéité non observée entre les individus ou groupes.
SurvivalGAN
Réseaux antagonistes génératifs spécifiquement conçus pour synthétiser des données de survie réalistes préservant les caractéristiques de censure et les distributions de temps.
Multi-Task Survival Learning
Approche d'apprentissage où le modèle de survie est entraîné simultanément sur plusieurs tâches connexes pour améliorer la généralisation et capturer des relations partagées.