该论文提出了基于深度网络和对抗学习的非参数事件时间分布估计方法，通过有效利用丰富的健康分子数据和电子健康数据，为现代健康数据科学的应用提供了重要支持，并在基准和真实数据集上得到了显著的性能提高。

Apr, 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

本文提出了将神经网络与Cox比例风险模型相结合进行时间到事件预测的新方法。基于嵌套病例对照研究的方法学，提出了良好的损失函数，能够适用于大型数据集，能够拟合比例和不比例的Cox模型扩展，并在实际数据集上表现出非常强的竞争力。

Jul, 2019

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

提出了一种基于神经网络的生存回归模型SurvivalMonotonic-net (SuMo-net)，该方法使用时间相关权重的单调限制直接优化对数似然函数，达到了多个数据集上最先进的对数似然得分，是现有神经方法的20-100×计算速度加速，适用于具有数百万观测值的数据集。

Mar, 2021

本文介绍一种基于SHapley加性解释的SurvSHAP(t)方法，使用其可以对时间相关的生存黑盒模型进行解释，提高精度诊断，支持领域专家决策。实验结果表明，SurvSHAP(t)对时间相关变量的影响检测更准确，其聚合也比SurvLIME更好地确定了预测的变量重要性。

Aug, 2022

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

提出了CenTime，一种用于生存分析的新方法，该方法通过创新的事件条件压缩机制直接估计事件发生时间，即使在无未被压缩的数据的情况下，我们的方法依然能够形成事件模型参数的一致估计器。

Sep, 2023

最近发展的生存分析方法通过在每个预先确定的（离散）时间间隔内预测事件发生的概率来改进现有方法。本研究提出了一种从数据中学习划分事件时间间隔的方法，并在两个模拟数据集和三个真实世界观察数据集上展示了改进的预测性能。我们认为这种方法通过指导最适合每个任务的时间间隔来促进临床决策。

Oct, 2023

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