Cette recherche examine la fiabilité et l'équité des modèles de survie profonde non paramétriques pour analyser la progression de la maladie d'Alzheimer (MA). Elle aborde le manque d'études prenant en compte les biais appris dans les modèles d'apprentissage profond pour la MA et propose de nouvelles métriques d'équité pour des prédictions fiables.
Cet article aborde les défis de l'analyse de survie des Images de Lames Entières (WSIs), en particulier le goulot d'étranglement computationnel des Transformers et la sensibilité de Mamba à l'ordre d'entrée ainsi que son architecture unidirectionnelle. Il propose une nouvelle approche pour surmonter les limitations de Mamba dans la capture de la connectivité topologique et des structures spatiales bidirectionnelles.
Cette recherche explore l'application des réseaux neuronaux profonds dans l'analyse de survie, en utilisant un cadre multi-tâches. L'approche vise à améliorer la prédiction et la modélisation des données de temps jusqu'à l'événement en tirant parti d'architectures de réseaux neuronaux complexes.
Cet article propose des estimateurs non paramétriques, KM-ARL et KM-ADD, pour la longueur moyenne d'exécution et le délai moyen de détection dans la détection rapide de points de changement. Ceux-ci sont utiles pour des séquences de longueurs finies et irrégulières, améliorant la robustesse et l'interprétabilité sur des ensembles de données réels.