提出了 CenTime，一种用于生存分析的新方法，该方法通过创新的事件条件压缩机制直接估计事件发生时间，即使在无未被压缩的数据的情况下，我们的方法依然能够形成事件模型参数的一致估计器。

Sep, 2023

该研究介绍了一种基于 Deep AFT Rank-regression 模型的时间到事件预测方法，该模型使用基于 Gehan 排名统计量的目标函数，是 AFT 建模的半参数方法，并无需对存活时间分布进行分布假设。

Jul, 2023

该研究提出了一种深度循环生存分析模型，结合了深度学习和生存分析，通过对每个样本的条件概率建模，捕获时间依赖性，预测真实事件发生的可能性并估计被审查数据的生存率，同时不需要假设任何特定形式的事件概率分布，在三个不同领域的实验中，该模型在各种度量标准下明显优于现有解决方案。

Sep, 2018

比较了时间至事件分析的几种预测模型，评估了它们在三个数据集上的性能，并展示了集成方法如何提高预测准确度和稳健性。最后，通过模拟实验评估方法的性能排序影响因素。

Mar, 2024

本文利用受限单调神经网络对具有竞争风险的生存分布进行建模，确保了在减少计算成本的同时实现了精确的最大似然估计，并在一项合成和三个医学数据集上展示了解决方案的有效性。最后，我们讨论了在开发医疗实践风险评分时考虑竞争风险的意义。

May, 2023

生存分析提供了关于各个领域中部分不完整的事件发生时间数据的关键洞察。它也是概率机器学习的一个重要示例。我们的提案以一种通用的方式利用了预测的概率特性，使用（适当的）评分规则而不是基于似然的优化来进行模型拟合过程。我们建立了不同的参数和非参数子框架，允许不同程度的灵活性。结合神经网络，它导致了一种计算高效和可扩展的优化程序，产生了最先进的预测性能。最后，我们展示了使用我们的框架，我们能够恢复各种参数模型，并证明在与基于似然方法相比时，优化同样有效。

Mar, 2024

该论文介绍了一种参数化的生存模型，通过放宽条件独立性的假设，扩展现代非线性生存分析并在合成和半合成数据中显著提高了生存分布的估计。

Jun, 2023

当数据存在右侧截断情况时，生存分析可以计算 “事件发生时间”。多类别的结果导致了一种分类变种：预测最可能的事件，即已知的竞争风险，这方面的研究较少。为了构建一个估计这种情况下的结果概率的损失函数，我们引入了一个严格正确的修正分离的评分规则，这个规则可以在部分数据上进行优化，因为评估是独立于观测的。它可以用于训练梯度提升树来进行竞争风险分析。与 11 种现有模型相比，这个模型 “MultiIncidence” 在生存和竞争风险的结果概率估计上表现最佳。它可以在任何时间点进行预测，并且比现有的替代方法快得多。

Jun, 2024

本研究综述了近年来深度学习在生存分析中的应用，包括针对高维 omics 数据和非结构化数据等的学习，旨在对从业者提供有用的综述和帮助两个领域的研究者确定未来的方向。

May, 2023

最近发展的生存分析方法通过在每个预先确定的（离散）时间间隔内预测事件发生的概率来改进现有方法。本研究提出了一种从数据中学习划分事件时间间隔的方法，并在两个模拟数据集和三个真实世界观察数据集上展示了改进的预测性能。我们认为这种方法通过指导最适合每个任务的时间间隔来促进临床决策。

Oct, 2023