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
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
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
本文提出了一种基于隐式神经表示的隐式生存函数（ISF）方法来对生存分布进行估计以及使用数值积分作为近似预测和优化的累积分布函数，实验结果表明ISF在三个公共数据集中优于现有方法并具有估计精度控制的鲁棒性。
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
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
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。
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