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

引入了一种半参数贝叶斯模型用于生存分析，并使用高斯过程来从参数基线风险中非参数地模拟差异，同时考虑协变量的依赖性与左侧，右侧和间隔中断机制，通过 MCMC 算法进行推断并基于随机傅立叶特征的近似方案使计算更快，真实数据实验结果证明我们的模型优于 Cox 比例危险，ANOVA-DDP 和随机生存森林等竞争模型。

Nov, 2016

DeepSurv 是一种用于建模患者协变量和治疗效果相互作用的 Cox 比例风险深度神经网络，提供个性化治疗建议，表现良好并且可以用于调查病人特征对于失败风险的影响。

Jun, 2016

在此论文中，我们进行了首个大规模的中性基准实验，重点关注单事件、右删失、低维度生存数据。我们对 18 种模型进行了评估，涵盖经典统计方法和常见的机器学习方法，并使用 32 个公开可用的数据集。通过性能评估，我们发现在低维度、右删失数据的标准生存分析环境中，Cox 比例风险模型仍然是足够简单和强大的方法。

Jun, 2024

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

本论文提出了一种基于深度学习的多任务学习的方法，可以直接建立患者特定的肾移植的存活函数，从而提高患者的治疗和护理共同决策的准确性和质量。

May, 2017

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

本文提出了 FastCPH 方法，将 Cox 比例风险模型推广到神经网络，支持标准的 Breslow 和 Efron 方法，效率更高且性能优于现有的 CoxPH 方法。

Aug, 2022

该论文介绍了一种参数化的生存模型，通过放宽条件独立性的假设，扩展现代非线性生存分析并在合成和半合成数据中显著提高了生存分布的估计。

Jun, 2023

利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

Apr, 2023