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

基于深度学习和条件变分自编码器的 DySurv 方法能够动态地利用患者电子健康记录中的静态和时间序列测量，准确地估计 ICU 中的死亡风险，并在标准基准测试中胜过大多数现有方法，表现一致且可靠。

Oct, 2023

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

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

利用 Transformer 模型和合成数据生成，本研究介绍了 “SurvTimeSurvival：对多次访问 / 记录的患者进行生存分析”，在处理时间变化的协变量和协变量数据的复杂性方面取得了显著进展，解决了生存分析数据中常见的数据稀疏性问题，并展示了我们的方法在协变量和时间变化的协变量数据集上的优越性能，旨在提高对各种医疗状况下个体患者生存轨迹的理解，从而提高预测准确性，并在临床试验的设计和新疗法的创立中发挥关键作用。

Nov, 2023

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

本文介绍了一种基于 Multi-Task Logistic Regression（MTLR）模型和深度学习架构作为核心的新方法，用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard（CoxPH）模型，并且可以帮助企业预测客户购买产品、流失或贷款违约的时间，从而提高回报率。

Jan, 2018

通过基于深度残差学习的 ResSurv 模型，我们成功地解决了使用高通量数据时深度学习模型基于 Cox 比例风险存在过拟合问题以及网络退化问题的困扰，并在深度学习领域取得了领先地位，能够有效提取深层信息。

May, 2024

介绍 Survex R 包，通过应用可解释的人工智能技术，提供了一种解释任何生存模型的协同框架，能够理解和诊断生存模型，并揭示决策过程中的洞察力，透明度和责任性增强，有助于敏感领域（如生物医学和医疗领域）的可靠模型评估和偏差检测。

Aug, 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