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

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

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

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

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

提出了一种基于特定结构的自动编码器生成生存轨迹和数据的新模型，解决了预测事件时间和生存函数、生成附加数据和生成原型时间依赖轨迹等三个任务，其鲁棒性和性能经通过合成和真实数据实验证明。

Feb, 2024

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

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

在这项工作中，我们提出了一种灵活的基于深度学习的生存分析方法，同时适应了相关的审查，并消除了关于地面真实模型的要求。我们从广泛的数据集实验证明，与现有方法相比，我们的方法成功地识别了潜在的依赖结构，并显著减少了生存估计偏差。

Dec, 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