本文提出了一系列基于神经网络的生存模型，这些模型基于时间分段上的风险函数和密度函数的分段定义，包括常数和线性分段定义，从而形成了四个模型的系列。使用模拟数据集，这些模型在性能上明显优于高度表达能力的最先进的基于能量的模型，同时只需要一小部分计算时间。

Mar, 2024

本文介绍了一种名为 Nnet-survival 的离散时间生存模型，适用于神经网络在医学预测任务中的应用。该模型由 Keras 深度学习框架实现，具有灵活性，能够根据随访时间的不同变化基线风险和输入数据对危险概率的影响。在模拟和实际数据集上的表现优于 Cox-nnet 和 Deepsurv 等已有模型。

May, 2018

建立在连续时间生存模型上，通过隐式表示来构建生存分布，可以在连续时间空间中接受输入并产生生存概率的方法，与现有方法相比，具有很高的竞争力。

Dec, 2023

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

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

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

引入了一种半参数贝叶斯模型用于生存分析，并使用高斯过程来从参数基线风险中非参数地模拟差异，同时考虑协变量的依赖性与左侧，右侧和间隔中断机制，通过 MCMC 算法进行推断并基于随机傅立叶特征的近似方案使计算更快，真实数据实验结果证明我们的模型优于 Cox 比例危险，ANOVA-DDP 和随机生存森林等竞争模型。

Nov, 2016

本文提出了 Survival-CRPS，它是一种广义的连续秩概率得分，用于生存预测设置的正确或区间截断变体，并评估了两个电子健康记录数据集上的死亡率预测任务的效果，结果表明训练 CRPS 得分的模型相较于 MLE 训练的模型拥有更加尖锐的预测分布并保持校准。

Jun, 2018

传统神经网络生存模型在预测组件故障时间方面表现出准确预测的特点，但数据采样不均匀时需要重新采样以获得好的结果，而随机重新采样是减少训练数据量的有效方法。

Mar, 2024

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