تعتبر عملية تحليل البقاء من القضايا المعقدة التي تستدعي البحث المستمر. ومع التقدم في تقنيات التعلم العميق، ظهرت الحاجة إلى تجديد الأساليب المستخدمة لجعلها أكثر فعالية وشمولاً. هنا تأتي تقنية "تاب سيرف" (TabSurv) كحل مبتكر، حيث تعدل الشبكات العصبية الحديثة القائمة على البيانات الجدولية للتعامل مع تحديات تحليل البقاء.

تتسم الأساليب الحالية غالبًا بالخصوصية العالية للمهمة، مما يؤثر سلبًا على نقل الأساليب الجديدة من مجالات أخرى وقد يسبب قيوداً تؤدي إلى تدهور الأداء. لكن "تاب سيرف" تتجاوز هذه القيود من خلال استخدام توزيع ويبول (Weibull distribution) أو نماذج البقاء غير المعلمية (non-parametric survival prediction).

بالإضافة إلى ذلك، لقد قدمنا "SurvHL"، وهي دالة خسارة مبتكرة تدعم البيانات المقيدة، مما يسهم في تحسين دقة التنبؤات. ومن خلال استخدام الشبكات العصبية متعددة الطبقات (MLPs) في نموذج تجميعي، نحقق تنوعاً ملحوظاً في توقعات فرق العمل.

أظهر تقييم شامل لمختلف الهياكل المقترحة عبر عشرة مجموعات بيانات واقعية للاستخدام، أن "تاب سيرف" يتفوق باستمرار على الأطر التقليدية والحديثة مثل RSF، DeepSurv وDeepHit.

علاوة على ذلك، أظهرت التجارب أن المجموعة العميقة باستخدام توزيع ويبول حققت أعلى تصنيف متوسط حسب مؤشر C. بفضل هذه النتائج، يحدِّد هذا البحث كيف يمكن تكييف الشبكات العصبية الحديثة لتلبية احتياجات تحليل البقاء الشائك، مما يجعل "تاب سيرف" أداة قوية وموثوقة في هذا المجال.

التنفيذ الخاص بـ "تاب سيرف" متاح للجمهور، مما يتيح للمجتمع العلمي استخدامه وتعزيز التطورات في هذا المجال الحيوي.