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

本文提出一个基于贝叶斯框架、变分推断及神经多任务逻辑回归的生存模型，不但提供更准确的预测，而且能更好地量化生存不确定性。

Mar, 2020

本研究提出了一种基于后验正则化的近似贝叶斯推断方案，可以用未标记的目标数据作为模型置信度的“伪标签”，这些伪标签被用于调整标记源数据上的损失，显著提高了协变量移位数据集的不确定性量化准确性，适用于转移前瞻性前列腺癌模型在全球范围内的应用。

Jun, 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

生存分析在深度学习领域最近才得到一些关注，本论文提供了连接分类和回归的生存分析工具，包括新的损失函数、评估指标和无需数值积分即可产生生存曲线的第一个全能逼近网络，并通过大型数值研究表明这些工具在生存分析中的效果优于其他方法。

Jul, 2023

采用AI进行医疗决策仍面临伦理和安全方面的问题。研究表明常用的深度学习方法对数据漂移过于自信，却未能在临床应用中可靠地识别异常样本，暴露了其可靠性不足的问题。存在着更加严格或内生于已知数据点的方法的需求，例如使用基于核的技术。

Jan, 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

深度学习模型在各个领域显著提高了预测准确性，并在许多学科中得到认可。然而，有一个深度学习方面仍未充分解决的问题是预测不确定性的评估。本研究提供了一种有效的非参数自助法，能够正确区分数据不确定性和所采用的优化算法中固有的噪音，确保生成的逐点置信区间或同时置信带是准确的（即有效且不过于保守）。该提议的方法可以轻松整合到任何深度神经网络中，而无需干扰训练过程。该方法的实用性通过为具有右删失的生存数据的深度神经网络构建同时置信带来进行了说明。

Jun, 2024

本研究解决了生存分析中性能与可解释性之间的权衡问题，提出了CoxKAN，一种高效且可解释的Cox比例风险Kolmogorov-Arnold网络。研究结果表明，CoxKAN在多个数据集上的表现优于传统模型，同时能够自动选择特征并识别变量间的复杂交互，帮助更好地理解生物标志物对患者风险的影响。

Sep, 2024