Esta pesquisa examina a confiabilidade e a justiça de modelos de sobrevivência profunda não paramétricos para analisar a progressão da Doença de Alzheimer (DA). O estudo aborda a escassez de pesquisas que consideram o viés aprendido em modelos de aprendizado profundo para DA e propõe novas métricas de justiça para garantir previsões fidedignas.
Este artigo aborda desafios na análise de sobrevivência de Imagens de Lâminas Inteiras (WSIs), focando no gargalo computacional dos Transformers e na sensibilidade do Mamba à ordem de entrada e sua arquitetura unidirecional. Propõe uma nova abordagem para superar as limitações do Mamba na captura de conectividade topológica e estruturas espaciais bidirecionais.
Esta pesquisa explora a aplicação de redes neurais profundas na análise de sobrevivência, utilizando uma estrutura multi-tarefa. A abordagem visa aprimorar a previsão e a modelagem de dados de tempo até o evento, aproveitando arquiteturas complexas de redes neurais.
Este artigo propõe estimadores não paramétricos, KM-ARL e KM-ADD, para a duração média da execução e atraso médio de detecção na detecção mais rápida de pontos de mudança. Estes são úteis para sequências de comprimento finito e irregular, melhorando a robustez e interpretabilidade em dados do mundo real.