该论文提出了基于深度网络和对抗学习的非参数事件时间分布估计方法，通过有效利用丰富的健康分子数据和电子健康数据，为现代健康数据科学的应用提供了重要支持，并在基准和真实数据集上得到了显著的性能提高。

Apr, 2018

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

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

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

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

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

利用Transformer模型和合成数据生成，本研究介绍了“SurvTimeSurvival：对多次访问/记录的患者进行生存分析”，在处理时间变化的协变量和协变量数据的复杂性方面取得了显著进展，解决了生存分析数据中常见的数据稀疏性问题，并展示了我们的方法在协变量和时间变化的协变量数据集上的优越性能，旨在提高对各种医疗状况下个体患者生存轨迹的理解，从而提高预测准确性，并在临床试验的设计和新疗法的创立中发挥关键作用。

Nov, 2023

在这项工作中，我们提出了一种灵活的基于深度学习的生存分析方法，同时适应了相关的审查，并消除了关于地面真实模型的要求。我们从广泛的数据集实验证明，与现有方法相比，我们的方法成功地识别了潜在的依赖结构，并显著减少了生存估计偏差。

Dec, 2023

本论文针对预测事件发生时间这一重要问题，填补了现代生存分析模型与神经网络结合的研究空白。通过引入经典生存模型与深度学习的新方法，作者展示了如何高效地预测个体数据的时间-事件结果。此外，本研究探讨了公平性、因果推理及可解释性等重要主题，具有广泛的应用潜力。

Oct, 2024