في عالم تحليل البقاء، تعتبر البيانات المقيدة (Censored Data) وارتفاع عدد الميزات والتفاعلات غير الخطية تحديات رئيسية تواجه الباحثين. بينما تقدم النماذج التقليدية (Classical Models) تفسيرات واضحة ودقة في التقدير، إلا أنها غالباً ما تكون محصورة في أشكال وظيفية خطية أو محددة مسبقاً. في المقابل، تتمتع نماذج التعلم العميق (Deep Learning Models) بمرونة كبيرة وتحقق أداءً قوياً في التمييز، لكنها غالباً ما تنتج تقديرات بقاء غير مدروسة بشكل جيد.

للتغلب على هذه التحديات، تم تقديم نموذج GRAFT (Gated Residual Accelerated Failure Time) كحل مبتكر يفصل بين التصنيف والتقدير في تحليل البقاء. يتميز GRAFT بهيكله الهجين الذي يجمع بين نموذج AFT الخطي مع شبكة عصبية غير خطية تعتمد على المخلفات، مما يتيح له اختيار الميزات بشكل تلقائي عبر بوابات عشوائية (Stochastic Gates).

يجري تدريب النموذج من خلال تحسين فقدان تصنيف متمايز ومتوافق مع C-index باستخدام عملية استدلال شرطية عشوائية من مقيمات Kaplan-Meier المحلية. بعد ذلك، تُستخرج تقديرات البقاء المدروسة بسهولة عبر عملية معايرة بعد التدريب.

أظهرت نتائج الاختبارات العامة أن GRAFT يتفوق على النماذج التقليدية في كل من التمييز (Discrimination) والمعايرة (Calibration)، بينما يبقى نموذجًا قويًا ومتينًا حتى في الظروف ذات الضوضاء العالية. هذا يمثل خطوة ضخمة نحو رفع كفاءة تحليل البقاء وتقديم نتائج أكثر موثوقية للباحثين والمهنيين في هذا المجال.

هل تعتقد أن نموذج GRAFT سيحدث تحولًا في مجال تحليل البقاء؟ شاركونا آراءكم في التعليقات.