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

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

本文提出了一种基于隐式神经表示的隐式生存函数（ISF）方法来对生存分布进行估计以及使用数值积分作为近似预测和优化的累积分布函数，实验结果表明ISF在三个公共数据集中优于现有方法并具有估计精度控制的鲁棒性。

May, 2023

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

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

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

建立在连续时间生存模型上，通过隐式表示来构建生存分布，可以在连续时间空间中接受输入并产生生存概率的方法，与现有方法相比，具有很高的竞争力。

Dec, 2023

利用神经网络验证和对抗正则化的新算法，提出了一种稳健的参数生存模型，以解决生存分析中的数据不确定性问题，并通过实验证明对抗正则化可以提高性能。

Dec, 2023

通过更好地聚类生存数据和组合原始分布，本文提出了两种变体的变分自编码器（VAE），离散和连续，来生成聚类输入协变量的潜在变量。我们的模型通过同时优化VAE损失和回归损失进行端到端训练，实验证明了我们的方法在聚类结果和长期预测上具有竞争力，特别是在期限较长的情况下。

Apr, 2024