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

研究了医疗资源分配的效率和定制化医疗的发展，使用Temporal Point Process（TPP）来建模EHRs，提出了神经网络参数化的TPPs，经过对合成EHRs和基准数据的评估，表明TPPs在EHRs上明显优于非TPP同行，提出了注意力机制神经TPP，优于现有模型，符合现实世界的可解释性要求，是临床决策支持系统的重要组成部分。

Jul, 2020

提出了一种基于神经网络的生存回归模型SurvivalMonotonic-net (SuMo-net)，该方法使用时间相关权重的单调限制直接优化对数似然函数，达到了多个数据集上最先进的对数似然得分，是现有神经方法的20-100×计算速度加速，适用于具有数百万观测值的数据集。

Mar, 2021

本文提出了FastCPH方法，将Cox比例风险模型推广到神经网络，支持标准的Breslow和Efron方法，效率更高且性能优于现有的CoxPH方法。

Aug, 2022

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

我们提出了一种新颖的生存分析流程，既能解释模型预测结果，又能与最先进的生存模型竞争。通过改进的生存堆叠模型将生存分析问题转化为分类问题，使用ControlBurn进行特征选择，并使用可解释的增强学习机器生成可解释的预测结果。我们使用大型电子健康记录数据库预测心力衰竭的风险，该流程实现了最先进的性能并提供了关于心力衰竭风险因素的有趣且新颖的见解。

Oct, 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

本研究解决了生存分析中性能与可解释性之间的权衡问题，提出了CoxKAN，一种高效且可解释的Cox比例风险Kolmogorov-Arnold网络。研究结果表明，CoxKAN在多个数据集上的表现优于传统模型，同时能够自动选择特征并识别变量间的复杂交互，帮助更好地理解生物标志物对患者风险的影响。

Sep, 2024

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