本研究旨在探讨电子健康档案(EHR)的生存分析问题，提出了一种新的Hierarchical generative方法称为Deep survival analysis，该方法可显著优于使用临床验证的Framingham CHD风险评分来区分患者按照冠心病风险的风险等级，同时可扩展处理EHR中出现的异构（连续和离散）数据类型。

Aug, 2016

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

该研究提出了一种深度循环生存分析模型，结合了深度学习和生存分析，通过对每个样本的条件概率建模，捕获时间依赖性，预测真实事件发生的可能性并估计被审查数据的生存率，同时不需要假设任何特定形式的事件概率分布，在三个不同领域的实验中，该模型在各种度量标准下明显优于现有解决方案。

Sep, 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

生存分析在深度学习领域最近才得到一些关注，本论文提供了连接分类和回归的生存分析工具，包括新的损失函数、评估指标和无需数值积分即可产生生存曲线的第一个全能逼近网络，并通过大型数值研究表明这些工具在生存分析中的效果优于其他方法。

Jul, 2023

介绍Survex R包，通过应用可解释的人工智能技术，提供了一种解释任何生存模型的协同框架，能够理解和诊断生存模型，并揭示决策过程中的洞察力，透明度和责任性增强，有助于敏感领域（如生物医学和医疗领域）的可靠模型评估和偏差检测。

Aug, 2023

应用不同的生存分析方法比较其性能，结果表明深度学习（DeepSurv）在歧视度和校准性方面表现最佳，而AutoScore-Survival则通过最小变量集实现了较好的性能和解释性。

Mar, 2024

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

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