本文介绍了一种名为 Nnet-survival 的离散时间生存模型，适用于神经网络在医学预测任务中的应用。该模型由 Keras深度学习框架实现，具有灵活性，能够根据随访时间的不同变化基线风险和输入数据对危险概率的影响。在模拟和实际数据集上的表现优于 Cox-nnet 和 Deepsurv 等已有模型。

May, 2018

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

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

本文介绍了一种基于半监督概率方法的生存数据聚类技术，使用了深度生成模型解决了未知基础变量和被检查的存活时间分布的问题，并在广泛的数据实验中取得了良好的效果和表现。

Jun, 2021

在生存分析领域中，该研究提出了一种基于神经网络的新模型DeepPAMM，它兼具统计学和灵活性，可以处理复杂的危险结构，并在预测性能方面竞争激烈。

Feb, 2022

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

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

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

通过使用深度学习技术中的变分自动编码器，本研究提出了一种名为SAVAE的新方法，用于生存分析及相关领域，能够适应复杂、高维、异构以及包含缺失和截尾数据的场景，并表现出稳健性和稳定性。同时，该方法还能够进行数据插补，并通过潜变量推断生成合成患者数据。

Dec, 2023