当数据存在右侧截断情况时，生存分析可以计算 “事件发生时间”。多类别的结果导致了一种分类变种：预测最可能的事件，即已知的竞争风险，这方面的研究较少。为了构建一个估计这种情况下的结果概率的损失函数，我们引入了一个严格正确的修正分离的评分规则，这个规则可以在部分数据上进行优化，因为评估是独立于观测的。它可以用于训练梯度提升树来进行竞争风险分析。与 11 种现有模型相比，这个模型 “MultiIncidence” 在生存和竞争风险的结果概率估计上表现最佳。它可以在任何时间点进行预测，并且比现有的替代方法快得多。

Jun, 2024

提出一种名为 Diffsurv 的新方法，扩展可区分排序方法以处理被剪枝任务，通过预测考虑剪枝样本引入的标签不确定性的可能排列矩阵来解决此限制，进而在各种模拟和现实风险预测场景中优于现有基准，并通过提出一种新的 top-k 风险预测方法展示了 Diffsurv 启用的算法监督的优点。

Apr, 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

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

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

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

该研究论文介绍了一种新颖的基于本体和时间的对比存活分析框架（OTCSurv），通过使用被审查和观察数据中的生存期来定义时间的独特性，并且构建可调节难度的负样本对进行对比学习，以预测住院患者发展急性肾损伤（AKI）的风险，并通过广泛的实验验证了该模型的有效性和可解释性。

Aug, 2023

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

本文利用受限单调神经网络对具有竞争风险的生存分布进行建模，确保了在减少计算成本的同时实现了精确的最大似然估计，并在一项合成和三个医学数据集上展示了解决方案的有效性。最后，我们讨论了在开发医疗实践风险评分时考虑竞争风险的意义。

May, 2023

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