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
本文介绍了一种基于 Multi-Task Logistic Regression（MTLR）模型和深度学习架构作为核心的新方法，用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard（CoxPH）模型，并且可以帮助企业预测客户购买产品、流失或贷款违约的时间，从而提高回报率。
Jan, 2018
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
通过开发深度学习系统，在多种癌症类型中利用组织病理图像预测疾病特异性生存，为癌症治疗和监测提供重要的预后信息。
Dec, 2019
通过对现有的解释性机器学习方法的综述，我们详细介绍了如何将常用的解释性机器学习方法应用于生存分析，以实现对模型决策或预测的理解。并且通过对加纳儿童 5 岁以下死亡率的实际数据的应用，展示了如何在实践中使用这些技术来促进对模型决策或预测的理解。
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
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
提出了一种混合生存分析方法，结合了区分性和生成性机制，以描述混合模型形式下的生存数据。通过该模型可以实现个体实例的可解释子集聚类、权重学习以及时间预测。
Jan, 2023
本文综述了深度学习模型及其在生物信息学和医疗保健领域中的广泛应用，涵盖了不同结构的 DL 模型，并讨论了进行 DL 研究时可能遇到的一些关键挑战。
Feb, 2023
研究使用机器学习中的生存分析方法，基于英国长寿研究队列 ELSA 数据，构建了两种基于随机森林和弹性网络算法的生存机器学习模型，并证明了这些模型相较于传统的 Cox 比例风险模型具有更优越的预测性能和稳定性。
Jun, 2023