解释性对于医生、医院、制药公司和生物技术公司来分析和做出决策具有重要意义，而树状方法作为生存分析中广泛采用的方法之一，具有解释性强和捕捉复杂关系能力的优点，但是现有的大多数方法依赖启发式算法来生成生存树模型，存在产生次优模型的风险，本文提出了一种动态规划和界限方法，可以在几秒内找到证明最优稀疏生存树模型。

Jan, 2024

本研究提出了一种基于动态规划和搜索的学习算法来实现最优决策树，这种算法支持对树的深度和节点数量设置限制，并在实验证明使用我们的算法只需要很短的时间就可以处理具有成千上万个实例的数据集，从而极大地提高了最优决策树的实用性。

Jul, 2020

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

本研究介绍了一种名为随机生存树的方法，用于分析右侧截尾生存数据，其新的生存分割规则和有用于缺失数据的新算法，并引入了 “事件保全原则” 用于定义集成死亡率，以预测死亡率，并提供了几个实证例子。

Nov, 2008

在生存分析中，我们提出了一种名为 NSOTree 的神经生存倾斜树模型，结合了深度学习和基于树的方法的优势，既能够逼近复杂函数，又能够保持可解释性，通过在模型中使用该方法，我们在模拟和真实生存数据集上证明了其在性能和可解释性方面的有效性。

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

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

生存分析提供了关于各个领域中部分不完整的事件发生时间数据的关键洞察。它也是概率机器学习的一个重要示例。我们的提案以一种通用的方式利用了预测的概率特性，使用（适当的）评分规则而不是基于似然的优化来进行模型拟合过程。我们建立了不同的参数和非参数子框架，允许不同程度的灵活性。结合神经网络，它导致了一种计算高效和可扩展的优化程序，产生了最先进的预测性能。最后，我们展示了使用我们的框架，我们能够恢复各种参数模型，并证明在与基于似然方法相比时，优化同样有效。

Mar, 2024

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

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