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

本文介绍了一种基于Transformer的SurvTRACE模型用于处理医学中处理多个竞争事件的生存分析，并提出了多个辅助任务以更好地利用生存数据训练Transformer，以及如何通过SurvTRACE的可解释注意机制检查协变量相关性和重要性，从而使临床试验设计和新治疗方法的开发更具潜力。该方法在METABRIC、SUPPORT和SEER数据上进行的实验证明了其全面的优越性。

Oct, 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

研究提出反向生存模型(RSM)框架，以解释和证明深度生存模型的决策过程，通过在给定数据集中提取类似患者并根据深度生存模型依赖的最相关特征对其进行排名，以提高其在医疗保健中的可靠性和可解释性。

Oct, 2022

本文介绍了一款名为SurvLIMEpy的Python工具包，实现了SurvLIME算法，可用于计算模型预测的生存分析数据的局部特征重要性，并提供了可视化工具来更好地理解算法结果，支持多种生存模型。通过模拟数据和三个公开生存数据集的实验，研究了算法捕捉特征重要性和应用不同模型时的行为。

Feb, 2023

提出了一种名为SurvBeX的解释方法，用于解释机器学习生存黑盒模型的预测。该方法的主要思想是使用修改后的Beran估计器作为替代解释模型，并通过最小化黑盒模型与Beran估计器之间的平均距离来找到解释系数。通过使用合成和真实生存数据进行的多个数值实验表明SurvBeX的效率，并与SurvLIME和SurvSHAP进行了比较。

Aug, 2023

采用机器学习进入常规临床实践需要可解释的人工智能方法，Shapley值已引起广泛关注，但其解释在很大程度上取决于摘要统计量和估计方法，这进而决定了我们所确定的“锚点”，我们发现使用平均锚点的传统方法可能对生存分析产生误导性的解释，因此引入了中值-SHAP方法，用于解释预测个体存活时间的黑盒模型。

Jan, 2024

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。

Mar, 2024

DyS是一种新的生存分析模型，它在生存分析问题上表现出色，尤其适用于大规模的观察型医疗研究数据集，具备强大的判别能力和可解释性。

Apr, 2024

本研究解决了生存分析中由于审查数据缺失导致的预测挑战，提出了一种新方法SurvCORN，利用条件有序排名网络直接预测生存曲线。实验结果表明，SurvCORN在保持患者结果准确排序的同时，显著提高了个体事件发生时间的预测精度，推动了有序回归在生存分析中的应用。

Sep, 2024