A Deep Active Survival Analysis Approach for Precision Treatment Recommendations: Application of Prostate Cancer
Wayne State University（韦恩州立大学）
生存分析已被开发并应用于许多领域，包括制造业，金融，经济和医疗保健。在医疗领域，通常临床数据是高维的，稀疏的和复杂的，有时存在少量的时间到事件（标记）的实例。因此，从电子健康记录中构建准确的生存模型是具有挑战性的。有了这个动机，我们解决了这个问题，并提供了一个新的生存分析框架，使用深度学习和主动学习与一个新的采样策略。首先，我们的方法使用标记（事件发生时间）和未标记（删失）实例从临床特征中提供更低维度的更好表示，然后通过使用Oracle标记删失数据来主动训练生存模型。作为一个临床辅助工具，我们介绍了一个简单有效的治疗推荐方法的基础上，我们的生存模型。在实验研究中，我们将我们的方法应用于非裔美国人和白人患者中与前列腺癌相关的SEER医疗保险数据。结果表明，我们的方法优于基线模型显着。
2018-04-10 cs.CY cs.LG stat.ML
Survival-supervised latent Dirichlet allocation models for genomic analysis of time-to-event outcomes
癌症临床研究中的两个挑战性问题是癌症亚型的表征和根据这些亚型对个体患者进行分类。解决这些问题的统计方法受到人口异质性和高维多样协变量数据集成固有挑战的阻碍。我们已经开发了一个生存监督潜在狄利克雷分配（survLDA）建模框架来解决这些问题。LDA模型已被证明在识别大型文本集合中的共同主题方面非常有效，但在基因组学中的应用却很有限。我们的框架将LDA扩展到基因组，将每个患者视为从临床和高维基因组测量构建的具有“文本”的“文档”。然后，我们进一步扩展的框架，以允许监督的时间到事件的响应。该模型能够有效识别患者亚组内共同出现的临床和基因组特征的集合，然后通过这些特征表征每个患者。survLDA在癌症基因组图谱（TCGA）卵巢项目中的应用确定了信息丰富的患者亚组，这些亚组的特征在于表现出异常mRNA表达和甲基化的不同倾向，对应于主要治疗的不同生存率。
2012-02-27 stat.AP stat.ME
Survival tree and meld to predict long term survival in liver transplantation waiting list
背景：许多作者将MELD描述为肝移植等候名单中短期死亡率的预测因子。然而，MELD评分预测长期死亡率的准确性尚未进行统计学评价。目的：本研究的目的是使用一种新的模型：生存树分析来分析MELD评分以及其他变量作为长期死亡率的预测因子。研究设计和设置：在肝移植名单入组时获得并在本研究中考虑的变量包括：性别、年龄、血型、体重指数、肝病病因、肝细胞癌、移植等待时间和MELD。等待名单上的死亡率是结果。排除、移植或研究结束时仍在移植列表中的数据为删失数据。结果如下：存活树的图形表示显示，最具统计学意义的截止值与第16点的MELD评分相关。结论：该结果与临床文献中MELD的临界点一致。
2008-09-23 stat.AP stat.ML
A General Framework for Visualizing Embedding Spaces of Neural Survival Analysis Models Based on Angular Information
Carnegie Mellon University（卡内基梅隆大学）
提出一种基于锚定方向与角度信息的通用框架，用于可视化神经生存分析模型的嵌入空间，支持表格与图像数据，并处理信息损失问题。
2023-05-11 cs.HC cs.LG stat.ML
Explainable Censored Learning: Finding Critical Features with Long Term Prognostic Values for Survival Prediction
University of Kentucky（肯塔基大学）；Qingdao University（青岛大学）
解释与生存时间相关的复杂生物学过程中涉及的关键变量可以帮助理解生存模型的预测，评估治疗效果，并为患者开发新的治疗方法。目前，基于深度学习（DL）的模型的预测结果比标准生存方法更好或与标准生存方法一样好，但由于缺乏透明度和可解释性，它们经常被忽视，而这对于它们的采用至关重要临床应用。在本文中，我们介绍了一种新的，易于部署的方法，称为可解释的集中学习（EXCEL），迭代地利用关键变量，并同时实现（DL）基于这些变量的模型训练。首先在一个玩具数据集上说明了EXCEL的工作原理，然后对所提出的方法进行了数学分析，推导并证明了泛化误差的严格界，接着在两个半合成数据集上证明了EXCEL具有良好的抗噪能力和稳定性，最后给出了一个实例。最后，我们将EXCEL应用于各种真实世界的生存数据集，包括临床数据和遗传数据，证明EXCEL可以有效地识别关键功能，并实现与原始模型相当或更好的性能。值得指出的是，EXCEL可以灵活地部署在现有或新兴的模型中，用于在存在右删失的情况下解释生存数据。
2022-09-30 cs.LG
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
Using survival curves for comparison of ordinal qualitative data in clinical studies
背景与目的：生存一致图是一种用于定量评估的可靠性方法。我们建议使用生存分析作为一种替代的非参数方法比较有序的定性数据。研究设计和设置：两个案例研究。第一个是一项随机、双盲、安慰剂对照的临床试验，旨在研究水飞蓟素/蛋氨酸治疗慢性丙型肝炎的安全性和有效性。第二个是一项前瞻性研究，以确定味觉的改变，由于鼓索神经参与慢性中耳炎患者没有事先手术。结果：两种治疗方法对慢性丙型肝炎的疗效无显著性差异（p > 0.5）。另一方面，慢性中耳炎患者健侧和患侧面部味觉改变之间存在显著相关性（p < 0.05）。结论：所提出的方法可以作为一个替代程序，以统计检验的样本比较有序的定性变量。这种方法的优点是临床研究人员更熟悉。
2009-04-24 stat.AP stat.ME
A fully likelihood-based approach to model survival data with crossing survival curves
比例风险（PH）、比例优势（PO）和加速失效时间（AFT）模型在不同的知识领域中被广泛应用于处理生存数据。尽管它们很受欢迎，但这些模型不适合处理具有交叉生存曲线的生存数据。Yang和Prentice（2005）提出了一种半参数双样本方法，在这里表示为YP模型，允许分析交叉生存曲线，并将PH和PO配置作为特殊情况。在一般的回归设置中，本工作提出了一个完全基于似然的方法来拟合YP模型。其主要思想是通过分段指数（PE）分布对基线风险进行建模。该方法具有半参数模型的灵活性和参数表示的易处理性。一个广泛的模拟研究开发，以评估所提出的模型的性能。此外，我们通过分析与癌症临床试验中招募的患者相关的生存时间来证明新方法的有用性。模拟结果表明，我们的模型表现良好，中等样本量在一般的回归设置。一个优越的性能也观察到相对于原来的YP模型设计的两个样本的情况下。
2019-10-06 stat.ME
Exogenous time-varying covariates in double additive cure survival model with application to fertility
扩展治愈生存模型能够将影响事件概率（或"长期"生存）的协变量与仅影响事件时间（或"短期"生存）的协变量分开。我们建议推广有界累积风险模型，以处理时变（外源）协变量共同影响长期和短期生存的附加项。惩罚参数的选择是该框架中的一个挑战。提出了一种基于拉普拉斯近似的贝叶斯P样条模型快速算法。该方法的动机是生育率研究，妇女的特点，如就业状况和收入（仅举几例），可以在一个不平凡的和频繁的方式在个人的后续行动。该方法还说明了从德国养恤基金，使我们能够研究妇女的时间变化的收入如何与第一次生育的过渡登记数据。
2023-02-02 stat.ME
Neural interval-censored survival regression with feature selection
Instituto de Ciencias Matemáticas, CSIC（数学科学研究所（西班牙高等科学研究理事会））；Universidad Autónoma de Madrid（马德里自治大学）；Harvard University（哈佛大学）；Université Paris 1 Panthéon-Sorbonne（巴黎第一大学先贤祠-索邦大学）；University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出一种基于加速失效时间模型的神经区间删失生存回归预测框架，结合稀疏神经网络进行变量选择，在非线性场景下优于传统算法。
2024-08-22 cs.LG stat.ME stat.ML
Predicting Urban Dispersal Events: A Two-Stage Framework through Deep Survival Analysis on Mobility Data
The University of Iowa（爱荷华大学）；Worcester Polytechnic Institute（伍斯特理工学院）
城市疏散事件是指在短时间内大量人口离开同一地区的过程。疏散事件的早期预测对于缓解拥堵和安全风险以及为出租车和共乘车队做出更好的调度决策非常重要。现有的工作主要集中在通过从历史数据中学习模式来预测不久的将来的出租车需求。然而，它们在异常情况下失败，因为具有异常高需求的分散事件是非重复的，并且违反了常见的假设，例如需求随时间变化的平滑性。相反，在本文中，我们认为，分散事件遵循一个复杂的模式，在过去的行程和其他相关功能，可以用来预测这样的事件。因此，我们制定的扩散事件预测问题的生存分析问题。我们提出了一个两阶段的框架（DILSA），其中结合生存分析的深度学习模型被开发来预测扩散事件的概率及其需求量。我们对2014-2016年纽约市黄色出租车数据集进行了广泛的案例研究和实验。结果表明，DILSA可以预测未来5小时内的事件，F1评分为0.7，平均时间误差为18分钟。它比最先进的出租车需求预测深度学习方法好几个数量级。
2019-07-11 cs.LG cs.SI stat.ML
Gene-based Association Analysis for Bivariate Time-to-event Data through Functional Regression with Copula Models
最近提出了几种基于基因的事件发生时间性状关联检验，以检测一个基因区域（包含多个变体）作为一个集合是否与生存结果相关。然而，对于双变量生存结局，据我们所知，没有统计方法可以直接应用于基于基因的关联分析。受遗传学研究的启发，发现与双眼疾病，黄斑变性（AMD）的进展相关的基因区域，我们实现了一种新的功能回归方法copula框架下。具体而言，基因区域内的变异的影响通过功能性线性模型建模，其然后有助于copula内的边际生存函数。利用广义得分检验和似然比检验检验了双变量生存性状与遗传区域的关联性。进行了广泛的模拟研究，以评估所提出的方法的第一类错误控制和功率性能，与现有的几种方法相比，一个单一的生存性状，以及边缘Cox函数回归模型使用的双变量生存性状的稳健三明治估计。最后，我们将我们的方法应用于一项大型AMD研究，即AMD相关眼病研究（AREDS），以确定与AMD进展相关的基因区域。
2019-04-01 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
MO-RiskVAE: A Multi-Omics Variational Autoencoder for Survival Risk Modeling in Multiple MyelomaMO-RiskVAE
Binjiang Institute of Zhejiang University（浙江大学滨江研究院）；Zhejiang University（浙江大学）；School of Medicine, Zhejiang University（浙江大学医学院）
本文提出MO-RiskVAE，通过统一扩展MyeVAE框架，系统研究了潜变量建模选择对多模态生存预测的影响，发现生存驱动训练对潜变量正则化幅度和结构更敏感，通过混合连续-离散公式提升风险排序，改进了风险分层。
2026-04-07 cs.AI cs.LG
Dynamic Survival Prediction using Longitudinal Images based on Transformer
Department of Statistics and Acturial Science（统计与精算学系）；Simon Fraser University（西蒙·弗雷泽大学）
针对纵向医学图像生存分析中删失数据利用不足、忽略时间相关性及缺乏可解释性的问题，提出基于Transformer的SurLonFormer框架，结合视觉与序列编码器及Cox模型，实现高性能动态生存预测并识别疾病生物标志物。
2025-08-12 cs.CV eess.IV stat.AP
Smooth Transformation Models for Survival Analysis: A Tutorial Using R
Universität Zürich（苏黎世大学）
本文介绍平滑变换模型框架在R中统一处理多种生存模型，包括非比例风险、相依删失等复杂场景，并利用直肠癌试验数据演示实现。
2026-06-06 stat.ME
A Bayesian multivariate spatial approach for illness-death survival models
疾病-死亡模型是多状态框架下的一类随机模型。在这些模型中，个人被允许随着时间的推移在与疾病和死亡有关的不同状态之间移动。在研究非晚期疾病时，它们特别令人感兴趣，因为它们不仅考虑了死亡的竞争风险，而且还允许研究从疾病到死亡的进展。每个转变的强度可以建模，包括协变量的固定和随机效应。特别地，空间结构化的随机效应或其多变量版本可用于评估区域之间和过渡之间的空间差异。我们提出了一个贝叶斯方法框架的基础上的疾病死亡模型与多元Leroux先验的随机效应。我们将此模型应用于一项关于老年患者髋关节骨折后进展的队列研究。从这个空间疾病-死亡模型中，我们评估了与复发性髋部骨折和死亡相关的风险、累积发病率和转移概率的地理差异。贝叶斯推断是通过集成嵌套拉普拉斯近似（INLA）。
2022-10-13 stat.AP stat.ME
A survival analysis of glioma patients using topological features and locations of tumors
Southern Methodist University（南方卫理公会大学）；The University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
本文提出利用拓扑特征和肿瘤位置进行胶质瘤患者生存分析，通过功能Cox回归模型评估肿瘤形态与生存风险的关系，并验证了拓扑特征在预后预测中的有效性。
2025-12-05 stat.ME
Stable Survival Extrapolation via Transfer Learning
Athens University of Economics and Business（雅典经济与商业大学）
本文通过迁移学习构建基线人口，提出基于灵活参数多项危险模型的生存外推方法，用于评估乳腺癌、黑色素瘤和心律失常的生存均值及相关指标。
2024-11-22 stat.AP stat.ME
An Unified Semiparametric Approach to Model Lifetime Data with Crossing Survival Curves
比例风险（PH）、比例优势（PO）和加速失效时间（AFT）模型在生存分析的不同应用中得到了广泛的应用。尽管它们很受欢迎，但这些模型不适合处理具有交叉生存曲线的寿命数据。2005年，Yang和Prentice提出了一种半参数双样本策略（YP模型），包括PH和PO框架作为特殊情况，以处理这类数据。假设一个一般的回归设置，本文提出了一个统一的方法来适应YP模型，采用伯恩斯坦多项式管理的基线风险和赔率下的频率和贝叶斯框架。使用伯恩斯坦多项式有一些优点：它允许基线分布的均匀近似，它导致所有基线函数的封闭形式表达式，它简化了推理过程，并且连续生存函数的存在允许更准确地估计交叉生存时间。进行了广泛的模拟研究，以评估模型的行为。一个临床试验数据集的分析，有关非小细胞肺癌，也被开发作为一个例子。我们的研究结果表明，假设通常的PH模型，忽略了现有的交叉生存的功能，在实际数据中，是一个严重的错误，对这些患者在治疗的初始阶段的影响。
2019-10-10 stat.ME
Monitoring time to event in registry data using CUSUMs based on relative survival models
提出基于生存对数似然比的 CUSUM 程序，在死因信息缺失时利用相对生存模型监测登记数据中生存时间分布的变化，并扩展至超额风险设置。
2025-03-07 stat.AP stat.ME
What Risk Factors to Cause Long COVID and Its Impact on Patient Survival Outcomes when Combined with the Effect from Organ Transplantation in the Acute COVID
本研究基于64万急性COVID患者队列，识别长新冠风险因素，并发现长新冠对老年及实体器官移植患者的生存影响更显著。
2023-05-13 stat.AP
Dimension reduction for integrative survival analysis
提出带“到集合的距离”惩罚的受约束最大偏似然降维方法，在多群体 Cox 生存模型中兼顾低秩与稀疏，并通过泛癌分析和外部验证证明其预测优势。
2023-04-26 stat.AP stat.CO stat.ME
A Bayesian framework for patient-level partitioned survival cost-utility analysis
与临床试验同时收集的患者一级卫生经济数据是技术评估过程的一个重要组成部分，目的是为资源分配决策提供信息。对于生命末期治疗（如癌症治疗），成本效益/效用数据的建模可能涉及某种形式的分区生存分析，其中将进展前和进展后阶段的健康相关生活质量和生存时间的测量值相结合，以生成临床获益的某种综合测量值（如质量调整生存期）。此外，资源使用数据通常是从不同服务的健康记录中收集的，从中可以获得不同的成本组成（例如治疗、住院或不良事件成本）。这些分析中的一个关键问题是，有效性和成本数据都存在一些复杂性，包括非正态性、峰值和缺失，应使用适当的方法加以解决。贝叶斯模型提供了一个强大的工具，已成为越来越流行的卫生经济学和统计文献，以一种相对简单的方式共同处理这些问题。本文提出了一个一般的贝叶斯框架，考虑到基于试验的分割生存成本效用数据的复杂关系，可能提供更充分的证据，为决策者提供决策过程。我们的方法的动机是，并应用于，一个工作的例子，从一个试验的数据为基础，评估晚期非小细胞肺癌患者的新治疗的成本效益。
2020-11-21 stat.AP
A Bias-Corrected Two-Stage Approach for Joint Modelling of Multidimensional Longitudinal HRQoL and Survival Data
UCLouvain（天主教鲁汶大学）；Université de Liège（列日大学）
针对多维纵向HRQoL与生存数据联合建模中全联合估计计算量大的问题，提出斜率校正两阶段方法，通过信息先验传播纵向信息并重估斜率参数，降低偏差并保持计算效率。
2026-06-23 stat.AP stat.ME
Power laws in the Roman Empire: a survival analysis
罗马帝国塑造了西方文明，许多罗马原则体现在现代制度中。虽然其政治制度证明了其弹性和适应性，使其能够融合不同的人口，帝国遭受了许多内部冲突。事实上，大多数皇帝死于暴力，暗杀，自杀，或在战斗中。这些内部冲突在时间长度上形成的模式可以通过统计分析来确定。在本文中，我们研究了潜在的模式与罗马皇帝的统治，通过使用生存数据分析的统计工具。我们考虑所有的175个罗马皇帝，并提出了一个新的幂律模型的变化点来预测的时间暴力死亡的罗马皇帝。该模型包含了删失和长期存活者的数据，提供了比以前模型更准确的预测。我们的研究结果表明，幂律分布也可以出现在生存数据中，在其他数据类型的自然和人工系统中得到验证，加强了普遍存在的幂律分布。我们的方法的一般性铺平了道路，进一步相关的调查，不仅在其他古代文明，而且在工程和医学的应用。
2020-08-21 stat.AP
Survival Modeling of Suicide Risk with Rare and Uncertain Diagnoses
针对医疗理赔中自杀未遂识别存在不确定性、生存分析含严重删失的问题，提出带正则化的整合Cox治愈模型，应用于青少年和年轻成人人群研究，识别出高可解释性风险因素并为自杀事件识别提供新见解。
2023-05-08 stat.AP stat.ME stat.ML
Prediction with Dimension Reduction of Multiple Molecular Data Sources for Patient Survival
从高维基因组数据进行预测建模之前通常会进行降维步骤，例如主成分分析（PCA）。然而，PCA的应用对于多源数据并不简单，其中多个组学数据源测量不同但相关的生物组分。在这篇文章中，我们利用多源数据降维预测建模的最新进展。特别是，我们应用联合和个体变异解释（JIVE），多源数据的PCA扩展的探索性结果，预测不同的响应类型。我们进行说明性的模拟来说明我们的方法的实际优势和可解释性。作为应用实例，我们考虑从测量mRNA表达、miRNA表达和DNA甲基化的三个数据源预测多形性胶质母细胞瘤（GBM）患者的存活。我们还介绍了一种方法来估计新的样本，没有使用在初始降维的JIVE分数，并研究其理论性质;这种方法是实现在R包R.JIVE的CRAN，在功能'jive. predict'。
2017-07-17 q-bio.QM stat.AP
Dynamic Updating of Clinical Survival Prediction Models in a Rapidly Changing Environment
针对快速变化环境下临床生存预测模型性能下降的问题，研究对比离散与动态更新方法，发现贝叶斯动态更新可复用历史知识、数据需求更低，效果优于一次性更新。
2023-04-29 stat.ME
Monitoring overall survival in pivotal trials in indolent cancers
针对惰性癌症关键试验中总生存期（OS）监测问题，本文提出了一套借鉴FDA在2型糖尿病心血管安全试验中方法的实用OS监测指南，以支持监管决策。
2024-06-04 stat.AP
A discrete-time survival model to handle interval-censored covariates, with applications to HIV cohort studies
本文提出一类离散时间参数生存模型，通过对区间删失的次要事件、结局和删失机制联合建模，解决协变量区间删失问题，并应用于南非HIV队列研究估计HIV状态对全因死亡率的影响。
2025-06-05 stat.ME
How much of the past matters? Using dynamic survival models for the monitoring of potassium in heart failure patients using electronic health records
本文针对心力衰竭患者钾水平监测提出基于小波滤波和landmarking的动态生存模型，强调近期短期钾波动比长期均值更具预后价值，并在超过2000名患者数据上验证了其预测优势。
2023-10-26 stat.AP stat.ME
Using Persistent Homology Topological Features to Characterize Medical Images: Case Studies on Lung and Brain Cancers
Southern Methodist University（南卫理公会大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
肿瘤形态是影响肿瘤生长和转移的关键因素。本文提出了一种拓扑特征计算的持续同源性，以表征肿瘤的进展，从数字病理学和放射学图像，并检查其对时间到事件的数据的影响。提出的拓扑特征对尺度保持变换具有不变性，可以概括各种肿瘤形状模式。拓扑特征在功能空间中表示，并用作功能Cox比例风险模型中的功能预测因子。该模型能够对拓扑形状特征与生存风险之间的关联进行可解释的推断。两个案例研究进行了连续133例肺癌和77例脑肿瘤患者。两项研究的结果均表明，拓扑特征在调整临床变量后可预测生存预后，预测的高危组生存预后比低危组差。此外，发现与生存风险正相关的拓扑形状特征是不规则和异质形状模式，已知其与肿瘤进展相关。
2023-02-28 cs.CV stat.AP stat.ME
Analysis and applications of the residual varentropy of random lifetimes
在可靠性理论和生存分析中，剩余熵是描述生存条件下随机系统动态信息含量的一种度量。为了分析这种信息含量的变异性，本文引入了剩余寿命的方差，简称“剩余变熵”。经过理论研究的一些性质的剩余变熵，我们说明了一定的应用相关的比例风险模型和首次通过时间的Ornstein-Uhlenbeck跳跃扩散过程。
2020-03-10 cs.IT math.IT math.PR
A Deep Variational Approach to Clustering Survival Data
ETH Zürich（苏黎世联邦理工学院）；Human Technopole（人类技术园）；University Hospital Basel（巴塞尔大学医院）；University Children’s Hospital Basel（巴塞尔大学儿童医院）；University of Zürich（苏黎世大学）；Politecnico di Milano（米兰理工大学）；St. Gallen Cantonal Hospital（圣加仑州立医院）
在这项工作中，我们研究了生存数据的聚类问题$-$一个具有挑战性的，迄今尚未开发的任务。我们引入了一种新的半监督概率方法来聚类生存数据，利用随机梯度变分推理的最新进展。与以前的工作相比，我们提出的方法采用了一个深度生成模型来揭示解释变量和删失生存时间的潜在分布。我们将我们的模型与生存数据的聚类和混合模型的相关工作进行了比较，这些数据是在广泛的合成，半合成和真实世界数据集（包括医学成像数据）上进行的综合实验。我们的方法在识别聚类方面表现更好，在预测生存时间方面具有竞争力。依靠新的生成假设，所提出的模型提供了一个整体的角度聚类生存数据，并持有的承诺，发现亚群的生存是由不同的生成机制。
2022-03-10 cs.LG stat.ML
tdCoxSNN: Time-Dependent Cox Survival Neural Network for Continuous-time Dynamic Prediction
University of Pittsburgh（匹兹堡大学）
针对AMD等疾病的连续时间动态生存预测需求，提出融合CNN的时间依赖Cox生存神经网络tdCoxSNN，经仿真和两个真实数据集验证，预测性能优于传统方法。
2024-03-12 cs.LG stat.ML
Kernel Cox partially linear regression: building predictive models for cancer patients' survival
Beijing University of Technology（北京工业大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Michigan（密歇根大学）
本文提出核Cox偏线性回归模型及正则化绞杀核机器方法，同时处理高维分子数据中的复杂关系与变量选择，在模拟中优于其他方法，并成功应用于多发性骨髓瘤患者死亡风险预测。
2023-10-11 cs.LG stat.ML
Morphology-aware deep learning predicts colorectal cancer survival from whole-slide images
The Ohio State University Wexner Medical Center（俄亥俄州立大学韦克斯纳医学中心）；Wake Forest University School of Medicine（维克森林大学医学院）
本研究提出形态学感知的对比多实例学习框架MorphContrast，利用TCGA、Alliance/CALGB等数据集，从全切片图像预测结直肠癌五年生存率，在内部及外部验证集上取得优于现有形态学模型的预后区分性能。
2026-10-16 cs.AI cs.CV cs.LG
MultiSigBERT: Beyond Survival Analysis through Multimodal and Sequential Modeling in Oncology
Université Lumière Lyon 2（里昂第二大学）；Léon Bérard Center（莱昂·贝拉尔中心）；EPITA（EPITA（法国高等计算机与技术学院））
本研究提出基于路径特征表示的多模态序列生存建模框架MultiSigBERT，结合电子健康记录的多模态数据与时间特性，在含2500余名患者的肿瘤队列上取得0.743的一致性指数，提升了生存预测性能。
2026-08-19 cs.LG
Survival-oriented embeddings for improving accessibility to complex data structures
LMU Munich（慕尼黑大学）
深度学习擅长分析非结构化数据，最近的进展允许将这些技术扩展到生存分析。在临床放射学的背景下，这使得例如，将非结构化体积图像与风险评分或预期寿命的预后相关联，并支持临床决策。然而，医疗应用与高关键性相关联，因此，无论是医务人员还是患者通常都不接受黑盒模型作为决策的理由或基础。除了对新技术的厌恶之外，这是由于许多机器学习方法缺乏可解释性，透明度和问责制。我们提出了一个危险正则化的变分自编码器，它支持在生存分析的背景下直接解释深度神经架构，这是一个与医疗保健高度相关的领域。我们将所提出的方法应用于肝脏肿瘤患者的腹部CT扫描及其相应的生存时间。
2021-11-03 cs.LG
AdaMSS: Adaptive Multi-Modality Segmentation-to-Survival Learning for Survival Outcome Prediction from PET/CT Images
The University of Sydney（悉尼大学）；Shanghai Jiao Tong University（上海交通大学）；Fudan University Shanghai Cancer Center（复旦大学附属肿瘤医院）；Fudan University（复旦大学）；Royal Prince Alfred Hospital（皇家阿尔弗雷德亲王医院）
本文提出AdaMSS模型，通过两阶段的分割到生存学习策略和数据驱动的多模态融合方法，从PET/CT图像中自适应提取肿瘤及肿瘤外预后信息，显著提升了生存预测性能。
2024-10-16 cs.CV cs.LG eess.IV
An Accurate and Interpretable Hyper Graph Neural Network for GBM Survival Prediction
提出多模态sheaf超图神经网络，结合概念瓶颈层与EST正则化，在GBM生存预测中实现准确性与可解释性兼顾，C指数0.643且方差最低。
2026-09-23 cs.AI cs.LG
Modelling Early User-Game Interactions for Joint Estimation of Survival Time and Churn Probability
旨在识别和预测玩家参与度的数据驱动方法在游戏行业环境中变得越来越流行。这是由于跟踪和存储大量游戏中遥测数据的做法越来越多，加上希望根据最终用户的需求定制游戏体验。这些方法不仅对采用游戏即服务（GaaS）模型的公司（例如重新参与策略）特别有用，而且对那些在持续内容交付制度下工作的公司（例如更好的受众定位）也特别有用。后者面临的一个主要挑战是建立用户的参与模型，这些模型是数据高效的，整体的，并且可以在最小的调整下概括多个游戏标题和类型。这项工作利用了一个植根于参与和行为科学研究的理论框架，用于构建一个模型，该模型能够仅使用最小的一组游戏不可知指标来估计与游戏相关的行为。通过一系列的实验，我们展示了如何，通过建模早期的用户游戏交互，这种方法可以联合估计的长期生存时间和流失概率在几个单人游戏中的一系列流派。所提出的模型非常适合于行业应用，因为它依赖于一组最小的指标和观察，随着用户数量的增加而扩展，并且明确设计用于各种标题。
2019-08-21 cs.LG stat.ML
Predicting Patient Survival with Airway Biomarkers using nn-Unet/Radiomics
Normandie Univ., INSA Rouen, LITIS, 76801, Saint Etienne du Rouvray, France（诺曼底大学）；Normandie Univ., UNICAEN, ENSICAEN, CNRS, GREYC, 14000 Caen, France（诺曼底大学）；Nuclear Medicine Department, Henri Becquerel Cancer Center, Rouen, France（贝克勒尔癌症中心核医学部）；Radiotherapy Department, Henri Becquerel Cancer Center, Rouen, France（贝克勒尔癌症中心放射治疗部）；Siemens Healthineers（西门子医疗）
针对AIIB 2023竞赛中肺纤维化患者生存预测问题，提出结合nn-Unet气道分割、气管及气道框影像组学特征提取和SVM分类的三阶段方法，分割和分类任务分别取得0.8601和0.7346的成绩。
2025-06-13 cs.CV cs.LG
SELECTOR: Heterogeneous graph network with convolutional masked autoencoder for multimodal robust prediction of cancer survival
College of Computer Science and Electronic Engineering, Hunan University（湖南大学计算机与通信工程学院）；The Second Xiangya Hospital, Central South University（中南大学湘雅二医院）
提出SELECTOR，一种基于卷积掩码自编码器的异构图网络，通过特征边重建、CMAE和特征交叉融合，在TCGA六个癌症数据集上实现模态缺失和模态内信息确认下的稳健多模态生存预测，显著优于现有方法。
2024-03-14 cs.AI cs.CV cs.LG
Survival Analysis for Idiopathic Pulmonary Fibrosis using CT Images and Incomplete Clinical Data
University College London（伦敦大学学院）
特发性肺纤维化（IPF）是一种不可阻挡的进行性纤维化肺病，其进展速度可变且不可预测。肺部CT扫描为IPF患者的临床评估提供信息，并包含与疾病进展相关的信息。在这项工作中，我们提出了一种多模式方法，该方法使用神经网络和记忆库来预测IPF患者的生存期，使用临床和成像数据。大多数临床IPF患者记录有缺失数据（例如，缺失肺功能检查）。为此，我们提出了一个概率模型，捕捉观察到的临床变量之间的依赖关系和插补缺失的。这种缺失数据插补的原则性方法可以自然地与深度生存分析模型相结合。我们表明，该框架产生显着更好的生存分析结果比基线的一致性指数和综合Brier评分。我们的工作还提供了与死亡率相关的新的基于图像的生物标志物的见解。
2022-03-21 cs.CV cs.LG eess.IV
Counterfactual Understanding via Retrieval-aware Multimodal Modeling for Time-to-Event Survival Prediction
University of Engineering and Technology（工程大学）；Hanoi Vietnam National University（河内越南国家大学）；Delft University of Technology（代尔夫特理工大学）
CURE通过多模态建模和潜在子组检索提升生存预测，优于现有基线模型。
2026-02-23 cs.IR cs.LG
Survival Analysis Revisited: Understanding and Unifying Poisson, Exponential, and Cox Models in Fall Risk Analysis
本文以跌倒风险评估为例，梳理并统一 logistic、Poisson、Exponential 与 Cox 生存模型，证明生存情境下 Poisson 回归是 Cox 模型特例，突出经典模型的可解释性与医疗实用价值。
2025-01-06 cs.AI cs.LG
Deep segmentation networks predict survival of non-small cell lung cancer
University of Iowa（爱荷华大学）；Stanford University（斯坦福大学）
非小细胞肺癌（NSCLC）占肺癌诊断的约80-85%，是全球癌症相关死亡的主要原因。最近的研究表明，正电子发射断层扫描-计算机断层扫描（PET/CT）图像的基于图像的放射组学特征对NSCLC结局具有预测能力。为此，容易计算的功能特征，如标准摄取值（SUV）和总病变糖酵解（TLG）的最大值和平均值最常用于NSCLC的预测，但其预后价值仍存在争议。与此同时，卷积神经网络（CNN）正迅速成为癌症图像分析的新前提，与其他手工制作的放射组学特征相比，其预测能力显著增强。在这里，我们展示了经过训练的CNN执行肿瘤分割任务，除了医生轮廓之外没有其他信息，识别出一组丰富的与生存相关的图像特征，具有显著的预后价值。在一项针对96例接受立体定向体部放疗（SBRT）的NSCLC患者的回顾性研究中，我们发现，针对PET/CT图像中的肿瘤分割进行训练的CNN分割算法（U-Net）包含与2年和5年总体和疾病特异性生存率具有强相关性的特征。除了医生提供的图像和相应的肿瘤轮廓外，U-net算法没有看到任何其他临床信息（例如生存、年龄、吸烟史）。此外，通过对U-Net的可视化，我们还发现了令人信服的证据，表明进展区域似乎与U-Net特征识别出预测死亡可能性较高的模式的区域相匹配。我们预计我们的研究结果将成为更复杂的非侵入性患者特异性癌症预后确定的起点。
2019-11-08 cs.AI cs.CV cs.LG
Identifying epidemic related Tweets using noisy learning
Georgia State University（佐治亚州立大学）
监督学习算法严重依赖于带注释的数据集来训练机器学习模型。然而，由于涉及手动工作，注释数据集的管理是费力和耗时的，并且已经成为监督学习中的巨大瓶颈。在这项工作中，我们应用噪声学习理论来生成弱监督信号，而不是手动注释。我们策划了一个嘈杂的标签数据集使用标签启发式识别流行病相关的推文。我们使用大型流行病语料库评估了性能，我们的结果表明，在类不平衡和多分类弱监督设置中使用噪声数据训练的模型实现了超过90%的性能。
2022-09-10 cs.CL cs.LG
KANFormer for Predicting Fill Probabilities via Survival Analysis in Limit Order Books
LIASD – Université Paris 8, 93200 Saint-Denis（巴黎第八大学LIASD）；Ceremade, CNRS-UMR 7534, Université Paris-Dauphine PSL（巴黎第十一大学PSL Ceremade）；Inria, Université Paris Cité, Inserm, HeKA (UMR 1346)（Inria巴黎城市大学、法国国家医学研究院、HeKA（UMR 1346））；Laboratoire ``Sciences Pour l'Environnement'' UMR 6134 CNRS - Université de Corse - Campus Grimaldi（环境科学实验室（UMR 6134 CNRS）- 科尔索大学-格拉马迪校区）
KANFormer通过结合市场信号与神经网络架构，实现对限价订单簿成交概率的准确预测。
2025-12-05 cs.AI cs.LG
Learning Speech Representations from Raw Audio by Joint Audiovisual Self-Supervision
Imperial College London（帝国理工学院）；Samsung AI Centre, Cambridge（三星人工智能中心（剑桥））；Facebook London（Facebook（伦敦））
音频和视觉模态之间的直观交互对于跨模态自监督学习是有价值的。这一概念已被证明为通用的视听任务，如视频动作识别和声学场景分类。然而，自我监督仍然没有充分探讨视听讲话。我们提出了一种从原始音频波形中学习自监督语音表示的方法。我们训练一个原始的音频编码器相结合的音频只有自我监督（通过预测信息音频属性）与视觉自我监督（通过生成说话的脸从音频）。视觉托词任务驱动音频表示来捕获与嘴唇运动相关的信息。这丰富了音频编码器的视觉信息和编码器可以用于评估没有视觉模态。我们的方法相对于现有的自监督音频特征在已建立的孤立词分类基准上具有竞争力的性能，并且在从较少的标签中学习方面显着优于其他方法。值得注意的是，我们的方法还优于完全监督训练，从而为语音相关任务提供了强大的初始化。我们的研究结果表明，在视听语音学习良好的音频表示的多模态自我监督的潜力。
2020-07-08 cs.CL cs.CV cs.LG
