本文提出了一种应用离散时间生存方法进行连续时间生存预测的方法，并探讨了PMF和离散时间风险率的参数化两种神经网络插值方法，并通过真实和模拟数据研究表明离散时间风险率参数化方法略胜一筹。同时，也提出了一种基于假设连续时间风险率是分段恒定的连续时间方法，并发现该方法在生存预测方面与其他方法相比非常有竞争力。
Oct, 2019
通过开发深度学习系统，在多种癌症类型中利用组织病理图像预测疾病特异性生存，为癌症治疗和监测提供重要的预后信息。
Dec, 2019
本文介绍一种新的参数方法来评估具有截尾数据的时间事件预测问题中的相对风险，通过联合学习输入协变量的深度非线性表示，我们展示了我们的方法在多个不同程度的截尾实际世界数据集上估算生存风险的优势，并证明我们的模型在竞争风险情景中的优势。据我们所知，这是在存在截尾时进行全参数生存时间与竞争风险估计的第一项研究。
Mar, 2020
本文提出一个基于贝叶斯框架、变分推断及神经多任务逻辑回归的生存模型，不但提供更准确的预测，而且能更好地量化生存不确定性。
使用离散计算生存（DCS）方法的深度神经网络，通过优化未进行censored处理的患者数据和变量时间输出节点间距等两个新特性，在医学数据集上实现了最优的校准效果，并在区分方面优于其他竞争模型，这是深度学习在临床生存预测中具有最先进的性能指标的重要一步。
Aug, 2022
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
应用不同的生存分析方法比较其性能，结果表明深度学习（DeepSurv）在歧视度和校准性方面表现最佳，而AutoScore-Survival则通过最小变量集实现了较好的性能和解释性。
Mar, 2024
本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处，提出了一个贝叶斯深度学习框架，评估了四个基准数据集上的预测表现，并与传统非贝叶斯方法进行比较。
Apr, 2024
本研究介绍了一种创新方法，利用先进的图像分析技术提高胃癌和结肠腺癌患者的生存预测模型；通过提取全切片图像的细致特征并构建基于患者的图，利用4层图卷积神经网络进行全面分析和预测，结果表明该方法高度准确地预测患者的生存结果，对医学和人工智能社区具有重大影响。
本研究解决了肺癌早期诊断和生存预测的难题，提出了一种基于卷积神经网络的方法来建模肺部形态与肺癌风险的非线性关系。研究结果显示，结合小批量损失与二元交叉熵，可以有效提升肺癌发生和死亡风险的预测能力，从而为肺癌的诊断与治疗提供了新的可能性。
Aug, 2024