我们提出了一种新颖的生存分析流程，既能解释模型预测结果，又能与最先进的生存模型竞争。通过改进的生存堆叠模型将生存分析问题转化为分类问题，使用 ControlBurn 进行特征选择，并使用可解释的增强学习机器生成可解释的预测结果。我们使用大型电子健康记录数据库预测心力衰竭的风险，该流程实现了最先进的性能并提供了关于心力衰竭风险因素的有趣且新颖的见解。

Oct, 2023

提出了一种混合生存分析方法，结合了区分性和生成性机制，以描述混合模型形式下的生存数据。通过该模型可以实现个体实例的可解释子集聚类、权重学习以及时间预测。

Jan, 2023

本研究旨在开发一种患者个体特征存活函数的预测模型，提供更准确的生存概率估计，并演示可将现有的样本预测区间估计方法应用于此类生存曲线分析中，同时还介绍了改进预测区间估计方法和新的预测区间估计方法，表现出竞争性的性能，这些方法不仅能用于生存分析，还可以应用于任何可跟踪目标分布的情景中。

Jun, 2019

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

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

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

本研究通过开发基于深度学习的系统，在 3,652 例（27,300 张切片）的结直肠癌患者中进行预测，探索人类可解释的患病特征并阐述其潜在预测价值。通过对两个验证数据集分别包含 1,239 例（9,340 张切片）和 738 例（7,140 张切片）的评估，该系统实现了 0.70 和 0.69 的 5 年疾病特异性存活 AUC，并为一组 9 个临床病理特征提供了显著的预测价值。

Nov, 2020

通过对现有的解释性机器学习方法的综述，我们详细介绍了如何将常用的解释性机器学习方法应用于生存分析，以实现对模型决策或预测的理解。并且通过对加纳儿童 5 岁以下死亡率的实际数据的应用，展示了如何在实践中使用这些技术来促进对模型决策或预测的理解。

Mar, 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

本文讨论了个性化生存分布（ISD）模型以及它们与标准模型的区别，探讨了 ISD 模型的评估方法，提出了一种新的方法 D-Calibration，用于确定模型的概率估计是否有意义，并使用这些方法来评估多种 ISD 预测工具。

Nov, 2018