Extending Cox Proportional Hazards Model with Symbolic Non-Linear Log-Risk Functions for Survival Analysis
提出GCPH模型，利用KAN实现符号化非线性对数风险函数，扩展Cox模型，兼顾可解释性与预测性能，在合成数据和公开基准上验证了其竞争力。
2025-04-25 cs.LG stat.ML
Deep Learning for Patient-Specific Kidney Graft Survival Analysis
University Paris Descartes（巴黎笛卡尔大学）；Institut Hypercube（超立方体研究所）；Montreal Institute for Learning Algorithms（蒙特利尔学习算法研究所）；École Polytechnique de Montréal（蒙特利尔理工学院）
患者特异性肾移植存活分布的准确模型有助于改善患者治疗和护理中的共同决策。在本文中，我们提出了一种深度学习方法，该方法直接对生存函数建模，而不是基于多任务学习原理估计风险函数来预测移植患者的生存时间。通过学习联合预测事件的时间及其在cox偏对数似然框架中的排名，我们的深度学习方法在生存时间预测质量和一致性指数方面优于其他常见的生存分析方法，包括Cox比例风险模型和在cox偏对数似然上训练的网络。
2017-05-29 cs.LG stat.ML
Deep Cox Mixtures for Survival Regression
Google Research（谷歌研究院）；Carnegie Mellon University（卡内基梅隆大学）
生存分析是回归建模的一个具有挑战性的变化，因为存在删失，其中结局测量仅部分已知，例如，由于失访。这些问题在医疗应用中经常出现，使得生存分析成为生物统计学和医疗保健机器学习的关键工作，Cox回归模型是最常用的模型之一。我们描述了一种新的生存分析回归模型的方法，基于学习混合Cox回归模型的个人生存分布。我们提出了一个近似的期望最大化算法，这个模型做硬分配的混合组，使优化效率。在每组分配中，我们使用深度神经网络拟合每组内的风险比，并以非参数方式拟合每个混合组分的基线风险。我们在多个真实世界的数据集上进行实验，并查看不同种族和性别的患者死亡率。我们强调了校准在医疗保健环境中的重要性，并证明了我们的方法在区分性能和校准方面优于经典和现代生存分析基线，在少数群体人口统计学方面的性能有很大提高。
2022-06-27 cs.LG stat.ME stat.ML
SurvLIME: A method for explaining machine learning survival models
Peter the Great St.Petersburg Polytechnic University (SPbPU)（圣彼得堡彼得大帝理工大学）
提出了一种新的解释机器学习生存模型的方法SurvLIME。它可以被看作是著名的LIME方法的扩展或修改。所提出的方法背后的主要思想是应用Cox比例风险模型来近似生存模型在局部区域周围的测试示例。使用Cox模型是因为它考虑了示例协变量的线性组合，使得协变量的系数可以被视为对预测的定量影响。另一个想法是通过使用感兴趣点周围局部区域中的一组扰动点来近似解释模型和Cox模型的累积风险函数。该方法归结为求解一个无约束凸优化问题。大量的数值实验证明了SurvLIME算法的有效性。
2020-03-18 cs.LG stat.ML
Nonlinear Semi-Parametric Models for Survival Analysis
Carnegie Mellon University（卡内基梅隆大学）
半参数生存分析方法，如Cox比例风险（CPH）回归（Cox，1972），是一种流行的生存分析方法。这些方法涉及拟合对数比例风险作为协变量的函数，并且很方便，因为它们不需要估计基线风险率。最近的方法涉及学习输入协变量的非线性表示，并表现出更好的性能。在本文中，我们反对这种深度参数化的生存分析和实验证明，更多的可解释的半参数模型的灵感来自专家的混合物表现同样出色，或在某些情况下比这种过度参数化的深度模型更好。
2019-05-14 cs.LG stat.ML
Deep Neural Networks for Survival Analysis Based on a Multi-Task Framework
Square, Inc.（Square公司）
生存分析/事件发生时间模型非常有用，因为它们可以帮助公司预测客户何时会购买产品、流失或拖欠贷款，从而帮助他们提高投资回报率。在本文中，我们介绍了一种新的方法来计算生存函数使用多任务逻辑斯谛回归（MTLR）模型作为其基础和深度学习架构作为其核心。基于一致性指数（C-index）和Brier评分，当发现非线性依赖性时，该方法在本文公开的所有实验中优于MTLR以及Cox比例风险（CoxPH）模型。
2018-01-17 cs.LG stat.ML
BVFLMSP : Bayesian Vertical Federated Learning for Multimodal Survival with Privacy
本文提出BVFLMSP框架，通过贝叶斯神经网络处理多模态数据，实现隐私保护下的生存预测，提升预测可靠性并提供不确定性估计。
2026-04-02 cs.LG stat.ML
Federated Survival Forests
Politecnico di Milano（米兰理工大学）
本文提出联邦生存森林 FedSurF，基于随机生存森林实现单轮通信的高效联邦生存分析，在非独立同分布数据环境下以低计算成本超越深度学习联邦算法。
2023-08-07 cs.LG
Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models
Dept. of Computer Science Missouri S&T（计算机科学系 摩洛哥州立技术大学）；Dept. of Mathematical Sciences Uni. of Alabama in Huntsville（数学科学系 美国阿拉巴马大学亨茨维尔分校）
针对联邦生存分析中Cox比例风险模型的数据异质性问题，提出基于特征聚类和事件报告策略的联邦学习方法，提升模型性能，并在合成数据及SEER数据库上验证有效性。
2024-07-20 cs.LG stat.AP stat.ML
SurvICL: a Foundation Model for in-context Survival Analysis
Inria de Saclay（法国国家信息与自动化研究所萨克莱中心）；EPFL（洛桑联邦理工学院）
研究发现现有表格基础模型无法击败Cox模型，提出SurvICL模型，基于新型先验预训练，在103个数据集的基准上，SurvICL在63个保留数据集上性能优于20种基线，是首个在小型数据集上排名高于Cox的模型。
2026-10-16 cs.LG stat.ML
SurvLIME-Inf: A simplified modification of SurvLIME for explanation of machine learning survival models
Peter the Great St.Petersburg Polytechnic University（彼得大帝圣彼得堡理工大学）
提出了一种新的解释方法SurvLIME的修改SurvLIME-Inf解释机器学习生存模型。SurvLIME和SurvLIME-Inf背后的基本思想是应用Cox比例风险模型来近似测试示例周围局部区域的黑盒生存模型。由于协变量的线性关系，使用Cox模型。与SurvLIME相比，所提出的修改使用$L_{\infty }$ -范数来定义近似和近似累积风险函数之间的距离。这导致一个简单的线性规划问题，以确定重要的功能和解释黑箱模型预测。此外，当训练集非常小时，SurvLIME-Inf优于SurvLIME。模拟和真实数据集的数值实验证明了SurvLIME-Inf的有效性。
2020-05-05 cs.LG stat.ML
Calibration of prediction rules for life-time outcomes using prognostic Cox regression survival models and multiple imputations to account for missing predictor data with cross-validatory assessment
Leiden University Medical Center（莱顿大学医学中心）
在本文中，我们扩大了方法，在Mertens等。al（2020，Biometrical Journal）的研究，该研究受删失的影响，并且当插补用于解释缺失值时。我们考虑的问题，缺失值可能会发生在校准数据以及新的预测观测（验证）。我们关注的是考克斯模型。描述了在删失的生存建模中将插补与预测校准相结合的方法。交叉验证的应用进行了讨论。我们展示了结论如何广泛地证实了第一篇仅限于二元结果研究的论文。具体来说，预测平均似乎具有优越的统计特性，特别是较小的预测变化，而不是直接应用鲁宾的规则。当使用鲁宾的基于规则的方法时，讨论了处理基线危险的不同方法。
2021-05-04 cs.LG stat.AP stat.ME
Federated Survival Analysis in Healthcare: A Multi-Model Evaluation on Cross-Institutional Heterogeneous Breast Cancer Data
University of Oulu（奥卢大学）；University of Deusto（德乌斯托大学）
本文在跨机构异质性乳腺癌数据上系统评估了三种生存模型（Cox比例风险、DeepSurv、随机生存森林）和三种联邦优化策略（FedAvg、FedProx、FedAdam），发现联邦学习优于本地训练且接近集中式性能，随机生存森林在区分度、校准度和鲁棒性上最佳，并给出了实践指南。
2026-06-24 cs.LG q-bio.QM stat.ME
A robust algorithm for explaining unreliable machine learning survival models using the Kolmogorov-Smirnov bounds
Peter the Great St.Petersburg Polytechnic University（彼得大帝圣彼得堡理工大学）
基于SurvLIME解释方法，提出了一种新的解释机器学习生存模型的鲁棒算法SurvLIME-KS.该算法的开发，以确保鲁棒性的情况下，少量的训练数据或离群值的生存数据。SurvLIME-KS背后的第一个想法是应用Cox比例风险模型来近似测试示例周围局部区域的黑盒生存模型，因为模型中协变量之间存在线性关系。第二个想法是结合众所周知的Kolmogorov-Smirnov界来构建预测累积风险函数集。其结果是，使用的鲁棒maximin策略，其目的是最大限度地减少解释的黑盒模型和近似Cox模型的累积风险函数之间的平均距离，并最大限度地提高在由Kolmogorov-Smirnov边界产生的区间内的所有累积风险函数的距离。将极大极小优化问题转化为二次规划问题。用合成和真实数据集进行的各种数值实验证明了SurvLIME-KS的有效性。
2020-05-05 cs.LG stat.ML
Interpretable Survival Analysis for Heart Failure Risk Prediction
Stanford University（斯坦福大学）；VA Palo Alto Health Care System（帕洛阿尔托退伍军人医疗保健系统）；Kaiser Permanente Northern California Division of Research（凯撒医疗北加州研究部）；Stanford Medicine（斯坦福医学院）
提出一种结合survival stacking、ControlBurn和Explainable Boosting Machines的可解释生存分析流水线，用于心力衰竭风险预测，在保持可解释性的同时实现了最先进的性能。
2023-10-24 cs.LG stat.ML
DeepSurv: Personalized Treatment Recommender System Using A Cox Proportional Hazards Deep Neural Network
医生使用生存模型来探索和理解患者的协变量（例如临床和遗传特征）与各种治疗方案的有效性之间的关系。标准生存模型（如线性考克斯比例风险模型）需要广泛的特征工程或先前的医学知识，以在个体水平上对治疗相互作用进行建模。虽然非线性生存方法，如神经网络和生存森林，可以固有地模拟这些高层次的相互作用的条款，他们还没有被证明是有效的治疗推荐系统。我们引入DeepSurv，这是一种Cox比例风险深度神经网络和最先进的生存方法，用于对患者协变量与治疗有效性之间的相互作用进行建模，以提供个性化的治疗建议。我们在模拟和真实的生存数据上进行了一些训练DeepSurv的实验。我们证明了DeepSurv的表现与其他最先进的生存模型一样好或更好，并验证了DeepSurv成功地模拟了患者协变量与其失败风险之间日益复杂的关系。然后，我们将展示DeepSurv如何对患者的特征与不同治疗方案的有效性之间的关系进行建模，以展示DeepSurv如何用于提供个性化治疗建议。最后，我们在真实的临床研究中对DeepSurv进行了训练，以证明它的个性化治疗建议如何增加一组患者的生存时间。DeepSurv的预测和建模能力将使医学研究人员能够使用深度神经网络作为探索、理解和预测患者特征对其失败风险影响的工具。
2017-08-09 cs.NE stat.ML
Distributionally Robust Learning in Survival Analysis
Boston University（波士顿大学）
本文将基于 Wasserstein 模糊集的 DRL 融入 Cox 回归，转化为可由指数锥规划求解的正则化经验风险问题，并以理论保证和实验验证其预测准确性与鲁棒性。
2025-06-07 cs.LG math.OC stat.ML
A simulation study of the estimation quality in the double-Cox model with shared frailty for non-proportional hazards survival analysis
Cox回归是一种半参数的生存分析方法，在生物医学领域有着广泛的应用。比例风险假设是Cox模型中的关键要求。为了适应非比例风险，我们建议使用额外的，单独的Cox回归项，这取决于协变量的向量参数化的基线风险函数的形状参数。我们称之为双Cox模型。用于拟合双Cox模型的R程序可以在Github上找到。我们正式介绍了双Cox模型与共享的脆弱性和调查，通过模拟，估计偏差和所提出的点和区间估计方法的Gompertz和Weibull基线风险的覆盖率。在具有低脆弱性方差和大量聚类的应用中，边缘似然估计几乎是无偏的，并且基于轮廓似然的置信区间为所有模型参数提供了良好的覆盖。我们还比较了过度拟合的双Cox模型的结果，从标准的Cox模型与脆弱的情况下，规模只成比例的风险。我们对模型参数的偏倚和覆盖范围的模拟结果见12个表格和145张A4图，共178页。
2022-06-10 stat.ME
Scaling Survival Analysis in Healthcare with Federated Survival Forests: A Comparative Study on Heart Failure and Breast Cancer Genomics
Politecnico di Milano（米兰理工大学）
本文提出FedSurF++算法，通过构建异构联邦随机生存森林和新型树采样方法，在单轮通信下实现与神经网络模型相当的生存分析性能，提升分布式医疗数据的隐私保护与可扩展性。
2023-08-04 cs.AI cs.LG
Geographically Weighted Cox Regression for Prostate Cancer Survival Data in Louisiana
Cox比例风险模型是公共卫生研究中分析事件发生时间数据的最常用工具之一。当从不同地区的临床数据中观察到的结果产生与位置相关的变化模式时，研究协变量的空间变化效应通常非常有趣。在本文中，我们提出了一个地理加权Cox回归模型的稀疏空间生存数据。此外，在县一级引入了随机邻域加权方案。建议的地理加权估计的理论特性进行了详细研究。讨论了一种基于Takeuchi模型鲁棒信息准则（TIC）的模型选择方案。进行了广泛的模拟研究，以检查所提出的方法的经验性能。我们进一步应用所提出的方法来分析路易斯安那州的监测，流行病学和最终结果癌症登记处的前列腺癌的真实数据。
2019-08-24 stat.AP
FedPseudo: Pseudo value-based Deep Learning Models for Federated Survival Analysis
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
生存分析，时间事件分析，是一个重要的问题，在医疗保健，因为它有广泛的影响，病人和姑息治疗。许多生存分析方法都假设生存数据可以从一个医疗中心集中获得，或者通过多个中心的数据共享获得。然而，患者属性的敏感性和严格的隐私法律越来越禁止医疗保健数据的共享。为了应对这一挑战，研究界已经研究了使用联邦学习（FL）范式的分散训练和共享模型参数的解决方案。在本文中，我们研究利用FL进行生存分析的分布式医疗数据集。最近，流行的Cox比例风险（CPH）模型已适用于FL设置;然而，由于其线性和比例风险假设，CPH模型导致次优性能，特别是对于非线性，非iid和严重删失的生存数据集。为了克服现有联邦生存分析方法的挑战，我们利用深度学习模型的预测准确性和伪值的强大功能，提出了一种用于联邦生存分析（FSA）的基于伪值的深度学习模型FedPseudo。此外，我们介绍了一种新的方法，推导出的生存概率的伪值的FL设置，加快了伪值的计算。在合成数据集和真实世界数据集上进行的大量实验表明，我们基于伪值的FL框架与最佳集中训练的深度生存分析模型具有相似的性能。此外，我们提出的FL方法获得了最好的结果，为各种删失设置。
2022-07-12 cs.LG stat.ME
Fairness in Survival Analysis with Distributionally Robust Optimization
Purdue University（普渡大学）；Carnegie Mellon University（卡内基梅隆大学）
本研究提出一种基于分布鲁棒优化的生存分析公平性通用方法，通过样本拆分策略解决生存损失不可分解的技术难题，可适配多种主流生存模型，在保证准确率的同时提升公平性，并提供理论保证。
2024-08-31 cs.LG stat.ML
Predicting Survival of Hemodialysis Patients using Federated Learning
Chirec International School（奇雷克国际学校）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
针对血液透析患者生存预测中数据隔离导致本地模型性能不佳的问题，提出使用联邦学习在不共享数据的情况下提升预测性能，并在印度最大透析网络NephroPlus的数据上进行了验证。
2024-12-14 cs.AI cs.LG
FastCPH: Efficient Survival Analysis for Neural Networks
Stanford University（斯坦福大学）；Université Paris 1 Panthéon-Sorbonne（巴黎第一大学先贤祠-索邦大学）；University of Toronto（多伦多大学）；Northwestern University（西北大学）
考克斯比例风险模型是生存分析中用于预测给定临床或遗传协变量的患者预期寿命的典型方法--其原始形式是线性模型。近年来，已经提出了几种方法将Cox模型推广到神经网络，但没有一种方法在数值上正确且计算效率高。我们提出了FastCPH，一个新的方法，运行在线性时间，并支持标准的Breslow和Efron的方法绑定事件。我们还展示了FastCPH与LassoNet相结合的性能，LassoNet是一种神经网络，通过特征稀疏性在生存数据集上提供可解释性。最后的程序是有效的，选择有用的协变量，并优于现有的CoxPH方法。
2022-08-21 cs.AI stat.AP stat.ML
Generating survival times using Cox proportional hazards models with cyclic time-varying covariates, with application to a multiple-dose monoclonal antibody clinical trial
在两项通过多次输注单克隆抗体VRC01预防HIV感染的协调有效性研究中，一个关键目的是评价VRC01的血清浓度（随输注时间周期性变化）是否与HIV感染率相关。在发展这种生存模式时需要进行模拟研究。在本文中，我们考虑模拟事件时间数据与连续的时变协变量，其值随时间变化，通过多个药物管理周期，其对生存的影响变化不同的阈值之前和之后，在每个周期内。后者适应具有零保护生物标志物阈值的设置，高于该阈值，药物根据生物标志物水平提供不同水平的保护，但低于该阈值，药物不提供保护。我们提出了两种模拟方法：一种是基于模拟生存数据下的单剂量方案，首先在多剂量数据汇总之前，另一种是基于模拟生存数据直接下的多剂量方案。我们根据考克斯比例风险模型生成事件发生时间数据，该模型基于反转累积风险函数和用于将风险函数与协变量关联的对数链接函数。该方法的有效性进行了评估，在两组模拟实验。结果表明，所提出的程序在产生符合其循环性质和考克斯比例风险模型假设的数据方面表现良好。
2018-01-25 stat.ME
Enhancing Federated Survival Analysis through Peer-Driven Client Reputation in Healthcare
Department of Computer Science, Missouri University of Science and Technology（计算机科学系，密苏里科学与技术大学）；Department of Mathematical Sciences, University of Alabama in Huntsville（数学科学系，阿拉巴马大学亨茨维尔分校）
本文提出一种同行驱动的客户端声誉机制，结合差分隐私和聚类噪声处理，在联邦生存分析中动态调整信任分数，有效应对数据异质性和不可靠贡献，并在合成数据和SEER数据集上取得高且稳定的C指数。
2025-05-22 cs.LG
A General Framework for Survival Analysis and Multi-State Modelling
Dana–Farber Cancer Institute（达纳-法伯癌症研究所）；Harvard Medical School（哈佛医学院）；University of Oxford（牛津大学）；Improbable（Improbable公司）
生存模型是一种流行的工具，用于分析事件发生时间数据，并应用于医学，工程，经济学等领域。像Cox比例风险模型这样的进步使研究人员能够更好地描述单一致命事件发生的风险率，但无法准确地模拟竞争事件和转换。常见的现象通常通过多个状态更好地描述，例如：疾病的进展被建模为健康，生病和死亡，而不是健康和死亡，其中必须考虑死亡和疾病的竞争性质。此外，Cox模型受到建模假设的限制，如风险率和线性效应的比例。个体特征在观察单位（如患者）之间可能存在显著差异，导致特异质风险率和不同的疾病轨迹。这些考虑需要灵活的建模假设。为了克服这些问题，我们提出了使用神经常微分方程作为一个灵活的和一般的方法来估计多状态生存模型，直接求解Kolmogorov前向方程。为了量化由此产生的个体原因特异性风险率的不确定性，我们进一步引入了变分潜变量模型，并表明这使得有意义的聚类相对于多状态的结果以及关于协变量值的可解释性。我们表明，我们的模型在流行的生存数据集上表现出最先进的性能，并在多状态环境中证明了其功效
2021-02-15 cs.LG stat.ML
A Multiparty Homomorphic Encryption Approach to Confidential Federated Kaplan Meier Survival Analysis
Norwegian Institute of Public Health（挪威公共卫生研究所）；Norwegian Computing Center（挪威计算中心）；The Arctic University of Norway（挪威北极大学）
本文提出基于阈值CKKS加密的隐私保护联邦Kaplan-Meier框架，实现加密聚合计数和近似浮点计算，通过加密向量和部分共享恢复明文，确保隐私安全的同时实现高保真生存估计。
2026-04-11 cs.AI cs.CR cs.LG
Survival Concept-Based Learning Models
针对现有概念学习框架未覆盖生存分析任务的问题，提出SurvCBM和SurvRCM两种模型，结合概念学习与生存分析处理删失数据，实验证明SurvCBM性能更优且代码公开。
2025-02-09 cs.AI cs.LG stat.ML
Distributionally Robust Survival Analysis: A Novel Fairness Loss Without Demographics
Heinz College of Information Systems and Public Policy, Carnegie Mellon University（卡内基梅隆大学海因茨信息系统与公共政策学院）
我们提出了一种训练生存分析模型的一般方法，该方法可以最大限度地减少所有足够大的子群体（至少以用户指定的最小概率发生）的最坏情况下的错误。这种方法使用了一个训练损失函数，该函数不知道任何人口统计信息，因此无法将其视为敏感信息。尽管如此，我们证明，与各种基线相比，我们提出的方法在最近建立的公平性指标上的得分更高（预测准确性没有显着下降），包括那些直接使用敏感人口统计信息的训练损失。我们的代码可在：https://github.com/discovershu/DRO_COX
2022-11-18 cs.LG stat.ML
Counterfactual explanation of machine learning survival models
Peter the Great St.Petersburg Polytechnic University (SPbPU)（彼得大帝圣彼得堡理工大学）
提出了一种机器学习生存模型的反事实解释方法。解决反事实解释问题的难点之一是样本的类别是通过机器学习生存模型的结果以生存函数的形式隐式定义的。一个条件，建立之间的差异的原始例子和反事实的生存功能。该条件基于使用事件平均时间之间的距离。当被解释的黑箱模型为Cox模型时，反事实解释问题可归结为一个带线性约束的标准凸优化问题。对于其他黑盒模型，建议应用著名的粒子群优化算法。用实际数据和合成数据进行了大量的数值实验，验证了所提出的方法。
2020-06-26 cs.LG stat.ML
Estimation in the Cox Survival Regression Model with Covariate Measurement Error and a Changepoint
Cox回归模型是分析协变量与生存终点之间关系的常用模型。标准Cox模型假设整个协变量域的协变量效应恒定。然而，在许多流行病学和其他应用中，主要关注的协变量受到阈值效应的影响：协变量域内某个点的斜率变化。通常，感兴趣的协变量受到一定程度的测量误差的影响。本文研究了阈值已知情况下的测量误差修正问题。几种偏差校正方法进行了检查：两个版本的回归校准（RC 1和RC 2，后者是新的），两种方法的基础上引起的相对风险下的罕见事件的假设（RR 1和RR 2，后者是新的），最大伪偏似然估计（MPPLE），和模拟外推（SIMEX）。我们开发的理论，目前的模拟比较的方法，并说明其使用的数据有关的慢性空气污染暴露于颗粒物PM10和致命的心肌梗死（护士健康研究（NHS））之间的关系，和数据有关的影响受试者的长期潜在的收缩压水平的心血管疾病死亡的风险（心脏病研究（FHS））。仿真结果表明，最好的方法是RR2和MPPLE。
2019-08-30 stat.AP
DAGSurv: Directed Acyclic Graph Based Survival Analysis Using Deep Neural Networks
IIIT Delhi（德里印度信息技术学院）；IIIT Guwahati（古瓦哈提印度信息技术学院）
观察性生存数据的因果结构提供了关于协变量与至事件发生时间之间关系的关键信息。我们从信息理论的信源编码参数的动机，并表明，将知识的有向无环图（DAG）可以是有益的，如果采用合适的源编码器。作为一个可能的源编码器在这种情况下，我们推导出一个变分推理为基础的条件变分自编码器的因果结构化生存预测，我们称之为DAGSurv。我们说明了DAGSurv在低维和高维合成数据集以及METABRIC和GBSG等真实数据集上的性能。我们证明了所提出的方法优于其他生存分析基线，如Cox比例风险，DeepSurv和Deephit，这些基线忽略了数据实体之间的潜在因果关系。
2021-11-02 cs.LG stat.ML
Cox Regression Model Under Dependent Truncation
截断是一种统计现象，发生在许多时间到事件的研究。例如，尸检证实的神经退行性疾病的研究受到固有的左右截断，也称为双截断。当目标是研究风险因素对生存的影响时，当数据受到截断时，不能使用标准Cox回归模型。在Cox回归模型中，现有的调整左截断和右截断的方法要求生存时间和截断时间之间的独立性，这在实践中可能不是合理的假设。我们提出了一个期望最大化算法，放宽了在左，右，或双截断下的Cox回归模型的独立性假设，条件独立的假设。所得的回归系数估计是相合的且渐近正态的。我们证明，通过广泛的模拟，建议的估计有很小的偏差，在大多数实际情况下，有一个较低的均方误差相比，现有的估计。我们实施我们的方法来评估职业对尸检证实的阿尔茨海默病受试者生存的影响。
2018-03-26 stat.ME
Survival stacking: casting survival analysis as a classification problem
虽然有许多成熟的数据科学方法用于分类和回归，但处理右删失数据的方法相对较少。在这里，我们提出了“生存堆叠”：铸造生存分析问题的分类问题的方法，从而允许使用一般的分类方法和软件的生存设置。受Cox偏似然法的启发，生存堆叠在一个大数据框架中收集生存数据的特征和结果，并具有二进制结果。我们证明了逻辑斯谛回归的生存叠加近似等于考克斯比例风险模型。我们进一步推荐了在生存堆叠设置中评估模型性能的方法，并在真实和模拟数据上说明了生存堆叠。通过将生存问题重新定义为分类问题，我们使数据科学家能够在生存环境中使用众所周知的学习算法（包括随机森林，梯度提升机器和神经网络），并降低灵活生存建模的障碍。
2021-07-28 stat.ME
FSL-BDP: Federated Survival Learning with Bayesian Differential Privacy for Credit Risk Modeling
Indian Institute of Management Indore（印度管理学院印多尔）；Indian Statistical Institute Kolkata（印度统计研究所科钦）
FSL-BDP通过联邦生存学习与贝叶斯差分隐私技术，解决信用风险建模中的隐私保护与跨机构学习问题，实验显示联邦学习显著提升隐私机制效果。
2026-01-16 cs.LG q-fin.RM stat.ML
Neural Topic Models with Survival Supervision: Jointly Predicting Time-to-Event Outcomes and Learning How Clinical Features Relate
Heinz College of Information Systems and Public Policy, Carnegie Mellon University（卡内基梅隆大学信息系统与公共政策学院）；McKinsey & Company（麦肯锡公司）；Cornerstone Research（基石研究公司）；Microsoft Research（微软研究院）；National Library of Medicine, National Institutes of Health（美国国立卫生研究院国家医学图书馆）
提出一种联合预测事件发生时间并学习特征关系的神经生存监督主题模型框架，在七个临床数据集上实现了有竞争力的准确性和可解释性。
2024-06-05 cs.LG stat.ML
Low-Rank Reorganization via Proportional Hazards Non-negative Matrix Factorization Unveils Survival Associated Gene Clusters
School of Electrical and Computer Engineering, Purdue University（普渡大学电气与计算机工程学院）；Department of Medicine, Indiana University School of Medicine（印第安纳大学医学院医学系）；School of Electrical and Computer Engineering, Indiana University - Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校电气与计算机工程学院）
精准健康的核心目标之一是理解和解释高维生物学数据，以识别与疾病发生、发展和结局相关的基因和标志物。虽然已经致力于利用基因表达数据进行多重分析，同时通过包括生存时间来解释时间-事件建模，但许多传统分析分别关注基因表达数据矩阵的非负矩阵因子分解（NMF）和Cox比例风险模型的生存回归。在这项工作中，Cox比例风险回归与NMF通过施加生存约束。这是通过联合优化Frobenius范数和事件（如死亡或复发）的部分对数似然来实现的。仿真结果表明，该方法的优越性，与其他算法相比，在寻找生存相关的基因簇。此外，使用人类癌症基因表达数据，所提出的技术可以解开癌症基因的关键簇。发现的基因簇反映了丰富的生物学意义，可以帮助识别与生存相关的生物标志物。为了实现精确的健康和癌症治疗的目标，所提出的算法可以帮助理解和解释高维异质基因组数据，准确识别生存相关基因簇。
2020-09-17 cs.LG q-bio.GN q-bio.QM
Subgroup Discovery with the Cox Model
NEC Labs America（NEC美国实验室）
本文提出基于Cox模型的子群发现方法，通过引入预期预测熵和条件排名统计等新指标，解决现有方法的不足，实验证实其在生存分析中提升模型拟合效果。
2026-01-05 cs.LG math.ST stat.ML
Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients
William & Mary（威廉与玛丽学院）；University of Michigan（密歇根大学）；Massachusetts General Hospital（麻省总医院）；Duke University（杜克大学）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
针对高维临床与影像风险因素下的生存分析问题，提出融合 SCAD 惩罚和深度神经网络的 Penalized DPLC 模型，并通过理论证明、模拟及 NLST 数据验证其预测与特征选择能力。
2023-09-29 cs.LG eess.IV stat.ML
Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）；DKFZ German Cancer Research Center（德国癌症研究中心）
生存分析或事件发生时间分析旨在建模和预测群体或个体发生感兴趣事件所需的时间。在医学方面，这一事件可能是死亡，转移，癌症复发等的时间，最近，专门设计用于生存分析的神经网络的使用已经变得越来越流行，更传统的方法的一个有吸引力的替代。在本文中，我们利用神经网络的固有属性联邦这些模型的训练过程。这在医疗领域至关重要，因为数据稀缺，多个健康中心的合作对于做出关于治疗或疾病属性的决定至关重要。为了确保数据集的隐私，通常在联邦学习之上使用差分隐私。差分隐私的作用是在不同的训练阶段引入随机噪声，从而使对手更难提取有关数据的细节。然而，在小型医疗数据集和只有少数数据中心的现实环境中，这种噪声使得模型更难收敛。为了解决这个问题，我们提出了DPFed-post，它在私有联邦学习方案中添加了一个后处理阶段。这个额外的步骤有助于调节有噪声的平均参数更新的幅度和模型的更容易收敛。在我们的实验中，我们选择了3个真实世界的数据集，每个健康中心只有几百条记录，我们表明，与标准的差分私有联邦学习方案相比，DPFed-post成功地将模型的性能平均提高了$17\%$。
2022-02-08 cs.CR cs.LG
Bayesian Federated Inference for Survival Models
本文将贝叶斯联邦推断（BFI）方法从广义线性模型推广至生存模型，在保护数据隐私的前提下通过合并本地推断结果实现与合并数据集分析高度一致的优异性能。
2024-04-26 stat.CO stat.ME stat.ML
Deep Survival Machines: Fully Parametric Survival Regression and Representation Learning for Censored Data with Competing Risks
Carnegie Mellon University（卡内基梅隆大学）
我们描述了一种新的方法来估计相对风险的时间到事件的预测问题与删失数据在一个完全参数的方式。我们的方法不需要作出强有力的假设，恒定的比例风险的基本生存分布，所需的考克斯比例风险模型。通过联合学习输入协变量的深度非线性表示，我们通过在具有不同删失水平的多个真实世界数据集上进行广泛实验，证明了我们的方法在用于估计生存风险时的优势。我们进一步展示了我们的模型在竞争风险场景中的优势。据我们所知，这是第一个工作涉及完全参数估计的生存时间与竞争风险的存在删失。
2021-06-09 cs.LG stat.AP stat.ML
A Survival Analysis of the Duration of Olympic Records
我们使用重复事件生存分析技术和方法来分析奥运会记录的持续时间。使用卡普兰-迈耶估计量进行初步检验，并使用Wang & Chang（1999）和Pena et al.（2001）提出的复发事件幸存函数估计量估计生存曲线。采用考克斯比例风险模型的扩展以及重复事件的离散时间逻辑模型来估计模型并量化参数显著性。根据Akaike信息标准（AIC），logistic模型是数据的最佳拟合。我们详细讨论了这个模型的协变量显著性，并预测了2012年伦敦奥运会将创造多少记录。关键词：生存分析，复发事件，卡普兰-迈耶估计量，考克斯比例风险模型，奥运会。
2012-07-25 stat.AP
Should univariate Cox regression be used for feature selection with respect to time-to-event outcomes?
重要提示：至事件发生时间结局常用于临床试验和生物标志物发现研究，并主要使用考克斯比例风险模型进行分析。但目前还不清楚，当主要关注事件发生时间结果时，应推荐哪些统计模型用于特征选择任务。目的：探讨对数转换生存时间的高斯回归在特征选择上是否优于考克斯比例风险模型。设计：真实模型为10个协变量的多变量考克斯比例风险模型。对于所有特征选择比较，假设对于所有模型拟合，仅观察/测量10个真实特征中的5个，以及5个随机噪声特征。使用10，000个模拟数据集探索每个样本量和删失率场景。将不同的统计模型应用于同一数据集以估计特征效应。模型性能比较使用敏感性，特异性和准确性的效果大小排名。研究结果：当特征是独立的并且真实模型是多变量考克斯比例风险模型时，对数转换生存时间的高斯回归在特征选择方面，仅两个协变量的（反应变量）优于单变量考克斯比例风险模型和逻辑斯谛回归，不仅灵敏度更高，特异性相当，而且效应量排序的准确性更高，无论样本量和删失率值如何。结论和相关性：本研究证明了在至事件发生时间结局的特征选择实践中纳入对数转换生存时间的高斯回归的重要性。
2022-08-20 stat.ME
What if we had built a prediction model with a survival super learner instead of a Cox model 10 years ago?
本研究对比生存超级学习器与Cox模型构建的肾移植失败预测模型的长期性能，发现前者开发集区分度更优，未来人群中区分度相近，二者均存在校准漂移。
2024-12-13 stat.AP stat.ME
Communication-efficient distributed hazard difference estimation for heterogeneous multi-site survival data
College of Mathematics, Taiyuan University of Technology, China（太原科技大学数学学院）；Centre for Quantitative Medicine, Duke-NUS Medical School, Singapore（新加坡国立大学医学院定量医学中心）；Systems Research, Duke-NUS Medical School, Singapore（新加坡国立大学医学院系统研究）
FedRD是一种通信高效的联邦学习框架，用于分布式生存数据中的风险差估计，提供置信区间和假设检验能力，优于本地和联邦基线方法。
2026-08-11 cs.AI cs.LG stat.ML
Optimal Cox Regression Subsampling Procedure with Rare Events
针对含稀有事件的大规模生存数据集计算难题，提出为删失样本分配最优采样概率、保留全部失效事件的Cox回归子采样估计量，证明其渐近性质并通过模拟和UK Biobank结直肠癌数据验证有效性。
2022-01-30 stat.ME
Survival analysis as a classification problem
在本文中，我们探讨了一种方法，治疗生存分析作为一个分类问题。该方法采用了"堆叠"的思想，即在一个大的数据框架中收集生存数据的特征和结果，然后将其视为一个分类问题。在这个框架中，可以应用各种统计学习算法（包括逻辑斯谛回归、随机森林、梯度提升机和神经网络）来估计参数并进行预测。对于Logistic回归的叠加，我们通过理论分析和模拟研究证明了这种方法近似等价于考克斯比例风险模型。对于与其他机器学习算法的叠加，我们通过模拟研究表明，我们的方法可以在估计的生存曲线方面优于考克斯比例风险模型。这个想法并不新鲜，但我们认为统计学家和其他数据科学家应该更好地了解它。
2019-09-26 stat.ME
ResSurv: Cancer Survival Analysis Prediction Model Based on Residual Networks
Dalian Maritime University（大连海事大学）
针对 Cox 深度学习模型在高通量基因组数据上的过拟合与网络退化问题，提出融合残差结构和 CPH 偏似然损失的 ResSurv，实验表明其达到 SOTA。
2024-05-11 cs.LG stat.AP
Lung Cancer Survival Prediction Using Machine Learning and Statistical Methods
针对现有肺癌生存预测模型忽略治疗后变量的问题，结合基线与治疗后特征构建Cox比例风险模型和随机生存森林，C-index分别达0.90和0.86，优于既往研究，可为临床提供更可靠的生存估计以辅助诊疗决策。
2025-09-29 stat.AP
A Cosine-Projection Framework for Choosing Among Cox HR, D-RMST, and Average-Hazard Tests in Survival Trials
本文提出余弦投影框架，推导Cox HR、D-RMST、RAH检验的渐近相对效率，揭示删失和入组对效率排序的影响，经CheckMate 057试验和模拟验证，为生存试验检验选择提供统一方法。
2026-10-14 stat.AP stat.ME
Finite Mixture Cox Model for Heterogeneous Time-dependent Right-Censored Data
针对异质患者群体生存分析中单一Cox PH模型的不足，提出结合SCAD/MCP动态惩罚函数的有限混合Cox模型，通过改进EM算法实现亚组识别与成分选择，提升风险预测精度。
2025-04-11 stat.CO stat.ME
Federated Survival Analysis with Node-Level Differential Privacy: Private Kaplan-Meier Curves
Cancer Registry of Norway（挪威癌症登记处）；Norwegian Institute of Public Health（挪威公共卫生研究院）；The Arctic University of Norway（北极大学）
该研究提出一种节点级差分隐私下的联邦Kaplan-Meier曲线计算方法，通过单轮加噪平均与多种平滑技术验证，在隐私预算≥0.5时可在低误差下共享临床有用的生存信息。
2025-08-30 cs.AI cs.CR cs.DC
