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

本研究提出了一种基于后验正则化的近似贝叶斯推断方案，可以用未标记的目标数据作为模型置信度的“伪标签”，这些伪标签被用于调整标记源数据上的损失，显著提高了协变量移位数据集的不确定性量化准确性，适用于转移前瞻性前列腺癌模型在全球范围内的应用。

Jun, 2020

开发一种新颖的不确定性量化（UQ）框架，用于在缺乏实际数据的情况下估计患者生存模型的不确定性。通过基于1383名脑转移患者的数据集开发和评估我们的方法，我们的研究假设是推理过程中给定测试患者的事件发生时间更加确定，当其在训练集中与其他患者具有更高的特征空间相似性。因此，感兴趣患者的不确定性通过患者相似性排名和预测相似性排名的一致性指数来表示。通过与模型整体区分度指数相比，模型不确定性定义为最大不确定性约束下的增加百分比。我们在多个临床相关的终点变量上评估了我们的方法，包括颅内进展时间（ICP）、放疗后无进展生存时间（PFS）、总生存时间（OS），以及颅内进展时间和/或死亡时间（ICPD），应用了统计模型和非统计模型，如CoxPH、条件生存森林（CSF）和神经多任务线性回归（NMTLR）。我们的结果显示，所有模型在颅内进展时间（2.21%）上的不确定性最低，而在颅内进展时间和/或死亡时间（ICPD）（17.28%）上的不确定性最高。总体而言，OS模型的不确定性表现较高，其中NMTLR的不确定性最低（1.96%），而CSF的不确定性最高（14.29%）。综上所述，我们的方法可以估计个体患者生存模型的不确定性结果。正如预期的，我们的数据经验证明，通过我们的技术测量的模型不确定性的增加会导致特征空间与预测结果的相似性降低。

Nov, 2023

通过使用深度学习技术中的变分自动编码器，本研究提出了一种名为SAVAE的新方法，用于生存分析及相关领域，能够适应复杂、高维、异构以及包含缺失和截尾数据的场景，并表现出稳健性和稳定性。同时，该方法还能够进行数据插补，并通过潜变量推断生成合成患者数据。

Dec, 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

通过更好地聚类生存数据和组合原始分布，本文提出了两种变体的变分自编码器（VAE），离散和连续，来生成聚类输入协变量的潜在变量。我们的模型通过同时优化VAE损失和回归损失进行端到端训练，实验证明了我们的方法在聚类结果和长期预测上具有竞争力，特别是在期限较长的情况下。

Apr, 2024

在此论文中，我们进行了首个大规模的中性基准实验，重点关注单事件、右删失、低维度生存数据。我们对18种模型进行了评估，涵盖经典统计方法和常见的机器学习方法，并使用32个公开可用的数据集。通过性能评估，我们发现在低维度、右删失数据的标准生存分析环境中，Cox比例风险模型仍然是足够简单和强大的方法。

Jun, 2024

深度学习模型在各个领域显著提高了预测准确性，并在许多学科中得到认可。然而，有一个深度学习方面仍未充分解决的问题是预测不确定性的评估。本研究提供了一种有效的非参数自助法，能够正确区分数据不确定性和所采用的优化算法中固有的噪音，确保生成的逐点置信区间或同时置信带是准确的（即有效且不过于保守）。该提议的方法可以轻松整合到任何深度神经网络中，而无需干扰训练过程。该方法的实用性通过为具有右删失的生存数据的深度神经网络构建同时置信带来进行了说明。

Jun, 2024

本研究针对乳腺癌患者的生存预后进行了深入分析，解决了临床特征对预后的影响预测不足的问题。通过运用生存分析技术，结合临床变量，研究发现年龄较大、肿瘤较大和HER2阳性状态显著增加了死亡风险，而雌激素受体阳性及乳房保留手术则与更好的生存结果相关。这些发现为提高生存预测的准确性提供了新思路，有助于识别高风险患者以便进行更积极的干预。

Oct, 2024