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
提出了一种基于混合 Cox 回归模型的新方法，其中硬指派混合组来进行优化，每个组分配使用深度神经网络拟合组内的风险率，并针对每个混合成分进行非参数基线风险拟合。在多个真实数据集上进行了实验，并研究了不同种族和性别的患者的死亡率。结果表明，该方法在医疗保健领域的判别性能和校准性方面都优于经典和现代生存分析，对于少数民族人群的性能优势更为明显。
Jan, 2021
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
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
利用神经网络验证和对抗正则化的新算法，提出了一种稳健的参数生存模型，以解决生存分析中的数据不确定性问题，并通过实验证明对抗正则化可以提高性能。
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
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。
本研究解决了传统生存分析方法在面对复杂数据时的局限性，提出了一种新颖的生存回归方法UniSurv，能够在没有先验分布假设的情况下生成高质量单峰概率分布函数。通过优化新颖的边际-均值-方差损失函数并利用变换器的灵活性，该方法显著提升了对删失数据的敏感性，实验结果表明其在多个数据集上的表现优于现有方法。
Sep, 2024