Positive-Unlabelled Survival Data Analysis
在本文中，我们考虑了一种新的框架，积极的未标记的数据，其中作为积极的数据生存时间观察到的受试者在观察时间内的事件作为积极的数据和未标记的数据截尾时间观察，但是否发生事件或不为某些科目是未知的。我们考虑两种情况：（1）在阳性数据中观察到删失时间，以及（2）未观察到删失时间。对于这两种情况，我们开发了参数模型，非参数模型和机器学习模型以及这些模型的估计策略。仿真研究表明，在这种数据设置下，传统的生存分析可能会产生严重的偏差的结果，而所提出的估计方法可以提供有效的结果。
2020-11-26 stat.ME stat.ML
Deep Copula-Based Survival Analysis for Dependent Censoring with Identifiability Guarantees
The University of Newcastle（纽卡斯尔大学）；Carnegie Mellon University（卡内基梅隆大学）；Nanjing University（南京大学）
针对现有生存分析中忽略相依删失或需指定真实Copula的问题，提出一种灵活的深度学习生存分析方法，无需指定Copula即可适应相依删失，并理论证明可识别性，实验表明能显著降低估计偏差。
2024-07-19 cs.LG stat.ML
Overcoming Dependent Censoring in the Evaluation of Survival Models
Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）；Vector Institute（向量研究所）
本文提出基于阿基米德 copula 和 Copula-Graphic 估计器的依赖 Brier 分数，解决生存模型评估中依赖截尾问题，通过半合成框架减少估计误差12-16%。
2026-06-27 cs.AI cs.LG stat.ML
Conformal predictive intervals in survival analysis: a re-sampling approach
针对一般右删失生存数据中删失时间不可观测的问题，本文提出一种 bootstrap 重采样方法，在不同工作回归模型下构造单侧和双侧共形预测区间，并在乳腺癌生存时间预测中验证了其良好的覆盖率表现。
2024-08-13 stat.ME
SurvFM enables tabular foundation models for right-censored survival prediction
The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心）
研究针对表格患者数据事件发生时间预测中右删失问题，提出SurvFM-RMST框架，将生存结果转换为伪观察目标用于RMST回归，在模拟和多数据集测试中表现良好，支持其作为删失生存数据与表格基础模型预测的接口。
2026-09-09 stat.ME stat.ML
Principled Selection of Baseline Covariates to Account for Censoring in Randomized Trials with a Survival Endpoint
对具有至事件发生时间终点的随机试验的分析几乎总是受到删失问题的困扰。由于删失机制通常是未知的，分析通常采用无信息删失的假设。虽然随着更多基线协变量的调整，这一假设通常变得更合理，但这种调整也引起了人们的担忧。预先规定哪些协变量将被调整（以及如何调整）是困难的，因此促使使用数据驱动的变量选择程序，这可能会阻碍有效的推断。此外，协变量的调整增加了对模型误设的担忧，以及调整集的每次变化也会改变删失假设和处理效应被估量。在本文中，我们讨论了这些问题，并提出了一个简单的变量选择策略，旨在产生一个有效的测试的空在大样本。该建议可以使用现成的（惩罚）Cox回归软件来实现，并且根据经验发现在模拟研究和真实数据分析中效果良好。
2020-07-16 stat.AP stat.ME
Survival Estimation for Missing not at Random Censoring Indicators based on Copula Models
Université d’Angers（昂热大学）
针对右删失数据中删失指标非随机缺失（MNAR）的问题，提出基于条件 copula 模型的新生存函数估计量，并通过模拟与真实数据验证了其有效性与实用性。
2023-09-14 cs.LG stat.ML
Genetic association testing with multivariate survival phenotypes under interval censoring
Michigan State University（密歇根州立大学）；University of Michigan（密歇根大学）；University of Florida（佛罗里达大学）
该研究针对区间删失下多变量生存表型，开发了WV-M-IC方法，经模拟和ZOE 2.0研究验证，其检验功效优于单一结局分析，可用于遗传关联检测。
2026-09-02 stat.ME
HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks
Southeast University（东南大学）；The University of Newcastle（纽卡斯尔大学）
本文提出 HACSurv，利用分层阿基米德 Copula 建模竞争风险与删失之间的相依结构，从而提升生存分布预测精度，并在合成和真实数据上验证了其优于现有方法。
2025-03-10 cs.LG stat.ME stat.ML
Estimating marginal survival function by adjusting for dependent censoring using many covariates
右删失数据生存分析的一个目标是估计相依删失下的边际生存函数。当许多辅助协变量足以解释相关删失时，由于辅助信息的高维性，基于条件生存函数的半参数模型或非参数模型的估计可能存在问题。在本文中，我们使用两个工作模型来压缩这些高维协变量的降维，然后估计的边际生存函数可以推导出非参数在低维空间。我们证明了这样的估计具有以下双重鲁棒性：当任一工作模型是正确的，估计是一致的，渐近高斯;当两个工作模型是正确的，渐近方差达到效率界。
2004-10-05 math.ST stat.TH
Proximal Survival Analysis to Handle Dependent Right Censoring
针对流行病和临床研究中因协变量无法完全捕捉预后关联而导致的相依右删失问题，提出将协变量视为潜在预后不完美代理的非参数识别框架及自适应估计量，具有一致、渐近正态和双重稳健性。
2024-01-09 math.ST stat.ME stat.TH
A Multi-Cohort Validation of Censoring-Aware Conformal Lower Predictive Bounds for Pathology Survival Models
本研究通过多队列验证，评估了用于病理生存模型的感知删失共形下界预测边界方法drcosarc，发现其性能依赖于队列，解释受患者单元、估计量和删失假设影响。
2026-08-06 cs.LG stat.ME
Generalized win fraction regression for composite survival endpoints
Shenzhen Technology University（深圳理工大学）；Yale School of Public Health（耶鲁大学公共卫生学院）
本文提出了一种广义胜利分数回归框架，用于优先考虑的复合生存终点。通过选择链接函数建模条件胜利分数，统一处理多组件时间到事件终点。采用逆概率删失加权估计方程处理右删失，建立了新的效应度量。通过模拟检验了方法的有限样本性能。
2026-04-07 stat.ME
The Concordance Index decomposition: A measure for a deeper understanding of survival prediction models
Halmstad University（哈尔姆斯塔德大学）；Lund University（隆德大学）；RISE Research Institutes of Sweden（瑞典RISE研究院）
本文提出将 C-index 分解为事件间排序与事件-删失排序两项的加权调和平均，并结合 SurVED 与基准实验揭示深度学习模型在不同删失水平下更稳定的原因。
2024-01-20 cs.LG stat.ME stat.ML
Dependent Censoring Based on Geometric Optimization
Université Lumière Lyon 2（里昂第二大学）；Université Lyon 1（里昂第一大学）；ERIC（教育、社会与文化研究中心）；Université de Technologie de Compiègne（贡比涅技术大学）；LMAC（数学与计算力学实验室）；École d’Ingénieur Généraliste ESME（ESME工程师学院）
针对生存分析中的相依删失问题，提出基于扩展广义Marshall-Olkin模型的框架，利用几何优化技术估计失效与删失时间的依赖关系，并证明渐近性质。
2026-06-17 math.ST stat.ME stat.TH
Copula based dependent censoring in cure models with covariates
UCLouvain（南鲁汶大学）；KU Leuven（荷语鲁汶大学）
本文在带协变量的治愈模型中，通过Copula处理相依删失，纳入行政删失并允许协变量影响所有参数，实现更准确的相依性建模与更个体化的临床相关量估计。
2026-08-28 stat.ME
Generating Accurate Synthetic Survival Data by Conditioning on Outcomes
King Abdullah University of Science and Technology (KAUST)（卡斯特大学）；Duke University（杜克大学）
本文提出一种通过结果条件生成协变量的方法，以生成准确的合成生存数据，解决删失挑战，并在真实数据集上优于基线，提升下游模型性能。
2025-08-05 cs.LG stat.ML
Permutation Tests Based on the Copula-Graphic Estimator and Their Use for Survival Tree Construction
本文提出用 copula-graphic 估计量处理相依删失，并以其组间积分绝对距离构造置换检验作为生存树分裂准则，通过模拟和临床数据验证其性能。
2025-07-28 stat.ME
Long-Term Tail Modeling in Survival Analysis via Extended Generalized Pareto Distributions
Universidade de São Paulo（圣保罗大学）；Faculdade de Ciências, Universidade de Lisboa（里斯本大学理学院）
本研究提出扩展广义帕累托模型用于右删失生存数据的尾部推断与长期外推，比较三种扰动设定，发现Beta模型在尾部指数估计上最优，直方图估计器在低删失下尺度估计最佳，且拟合相似时外推结果可能差异显著。
2026-09-24 math.ST stat.AP stat.ME
Improved Precision in the Analysis of Randomized Trials with Survival Outcomes, without Assuming Proportional Hazards
我们提出了一个新的估计的限制平均生存时间的随机试验中，有正确的删失，可能取决于治疗和基线变量。建议的估计量利用预后基线变量，以获得相等或更好的渐近精度相比，传统的估计。在治疗和基线变量分层内的规律性条件和随机删失下，建议的估计量具有以下特征：（i）在违反比例风险假设的情况下可解释;（ii）在独立删失下，它是一致的，至少与Kaplan-Meier估计量一样精确;（iii）在违反独立审查的情况下保持一致（与Kaplan-Meier估计量不同）当截尾或生存分布被一致估计时;和（iv）当这两个分布一致估计时，它达到非参数效率界。我们说明了我们的方法使用模拟的基础上，从一个完整的，3期随机临床试验的一种新的手术治疗中风的恢复数据的性能，提出的估计实现了12%的增益相比，在相对效率的Kaplan-Meier估计。所提出的估计量与现有的随机试验方法相比具有潜在的优势，因为现有的方法要么依赖于在许多应用中站不住脚的模型假设，要么缺乏一些效率和一致性属性（i）-（iv）。我们专注于估计的限制平均生存时间，但我们的方法可以适用于估计任何治疗效果的措施，定义为一个平滑的对比生存曲线之间的每个研究arm. We提供R代码来实现估计。
2016-08-19 math.ST stat.ME stat.TH
Predictive Accuracy of Markers or Risk Scores for Interval Censored Survival Data
在文献中广泛讨论了生物标志物对生存结局预测准确性的评估方法，这些方法受右删失的影响。在癌症和其他疾病中，生存结局通常受设计或随访方案的区间删失影响。本文基于非参数筛选极大似然方法，提出了区间删失数据时变受试者工作特征ROC曲线下面积的一个估计。我们建立了所提出的估计的渐近性质，并说明其有限样本性质，使用模拟研究。我们的方法的应用说明使用的数据从癌症临床研究。CRAN上有一个开源的R包来实现所提出的方法。
2018-06-05 stat.ME
Practical survival analysis tools for heterogeneous cohorts and informative censoring
在异质性队列和那些通过非主要风险删失提供信息的队列中，许多传统的生存分析方法不适用;比例风险假设通常在人群水平上被违反，观察到的粗风险率不再是在没有其他风险的情况下的估计值。在本文中，我们开发了一个完全贝叶斯生存分析，以确定概率最优描述的异质性队列，我们提出了一种新的手段，恢复风险率和生存功能“净化”的任何竞争风险的影响。大多数竞争风险研究隐含地假设风险相关性是由未被协变量捕获的队列或疾病异质性引起的。我们还假设，比例风险在个人的水平上，所有的风险，导致一个通用的统计描述，使我们能够净化的信息审查的影响，并从考克斯回归，脆弱性和随机效应模型，和潜在的类模型都可以恢复为特殊情况。合成数据证实，我们的方法可以映射一个队列的子结构，并消除异质性引起的假保护和假病因学的影响。应用ULSAM队列的生存数据，为以前对前列腺癌的反直觉推断提供了合理的替代解释。在AMORIS研究的生存数据中，提出了将心血管疾病作为诊断为乳腺癌的女性的合并症进行管理的重要性。
2015-11-21 stat.AP
The joint survival super learner: A super learner for right-censored data
针对右删失生存分析场景，提出联合评估事件时间与删失分布候选学习器的新型超级学习方法，无算法库限制、可处理竞争风险，建立了交叉验证代价的有限样本界，通过真实与合成数据验证了效用。
2025-09-04 stat.ME
Doubly Robust and Efficient Calibration of Prediction Sets for Right-Censored Time-to-Event Outcomes
Carnegie Mellon University（卡内基梅隆大学）；University of Pennsylvania（宾夕法尼亚大学）
针对右删失生存数据，提出基于逆概率删失加权和半参数高效影响函数的预测下界，实现双重稳健且渐近高效的预测集校准。
2026-06-06 math.ST stat.ME stat.TH
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
Counterfactual Q Learning via the Linear Buckley James Method for Longitudinal Survival Data
The Ohio State University（俄亥俄州立大学）
本文提出一种结合Buckley-James方法与强化学习的反事实Q学习框架，用于处理纵向生存数据中的右删失问题，通过模拟和实际数据验证其在动态治疗策略优化中的有效性。
2025-07-15 stat.CO stat.ME
Making censored pairs count: conditional tie weighting for win statistics with composite survival endpoints
Data Science Institute（数据科学研究所）；Medical College of Wisconsin（威斯康星医学院）；Department of Biostatistics（生物统计系）；Yale School of Public Health（耶鲁公共卫生学院）
针对复合终点胜统计量（胜率、净收益、胜率比）估计中逆删失概率加权法丢弃不确定对导致效率损失的问题，提出基于条件平局概率的部分观测对恢复估计器，并推导了大样本理论和闭合方差估计。
2026-07-07 stat.ME
Pseudo value-based Deep Neural Networks for Multi-state Survival Analysis
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
多状态生存分析（MSA）使用多状态模型分析事件发生时间数据。在医疗应用中，MSA可以提供有关患者复杂疾病进展的见解。MSA中的一个关键挑战是在存在删失的情况下准确预测多状态模型量，例如转移概率和状态占用概率。传统的多状态方法，如Aalen-Johansen（AJ）估计和Cox为基础的方法分别受到马尔可夫和比例风险假设的限制，并不可行的主题特定的预测。MSA的神经常微分方程放宽了这些假设，但计算昂贵，不直接模拟的转移概率。为了解决这些局限性，我们提出了一类新的基于伪值的深度学习模型用于多状态生存分析，其中我们表明，伪值-旨在处理删失-可以是一个自然的替代估计多状态模型的数量时，从一致的估计。特别是，我们提供了一个算法来获得伪值一致的估计直接预测的多状态生存量从受试者的协变量。在合成和真实世界数据集上的实证结果表明，我们提出的模型在各种删失设置下都能获得最先进的结果。
2022-07-12 cs.LG stat.ME
A framework for leveraging machine learning tools to estimate personalized survival curves
University of Pennsylvania（宾夕法尼亚大学）；University of Washington（华盛顿大学）；Fred Hutchinson Cancer Center（弗雷德·哈钦森癌症中心）
提出一种将条件生存函数分解为可观测回归模型的方法，避免处理删失和截断，从而应用多种机器学习方法估计个性化生存曲线，并在HIV疫苗试验数据上验证。
2026-06-23 stat.ME
A Targeted Learning Framework for Estimating Restricted Mean Survival Time Difference using Pseudo-observations
AbbVie Inc.（艾伯维公司）
本文提出了一种目标学习框架，利用伪观测估计临床试验中受限平均生存时间的差异，并通过敏感性分析应对右删失问题。
2026-01-16 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
Learning Survival Models with Right-Censored Reporting Delays
The Graduate University for Advanced Studies（高级研究大学）；Tokio Marine Holdings, Inc.（东京海上日赤保险株式会社）；The Institute of Statistical Mathematics（统计数学研究所）；RIKEN（理化学研究所）
针对报告延迟导致的生存数据右删失问题，联合建模事件和报告过程的参数风险，提出一致估计量和蒙特卡洛EM算法，并利用迁移学习提高行政删失下及时风险评估的准确性。
2026-10-30 cs.LG math.ST stat.ML
Isotonic Survival Regression: Calibrated Survival Distributions from Deep Cox Models
EECS, MIT（MIT电子工程与计算机科学系）
本文提出一种非递减回归方法，用于校准深度Cox模型的生存概率，通过理论保证和实验验证提升模型实用性。
2026-05-15 cs.AI cs.LG stat.ML
Inverse-Weighted Survival Games
NYU（纽约大学）；Columbia University（哥伦比亚大学）
通过最大似然训练的深度模型已经取得了最先进的生存分析结果。尽管有这种训练方案，但从业者在其他标准下评估模型，例如在选定的一组时间范围内的二进制分类损失，例如Brier评分（BS）和Bernoulli对数似然（BLL）。使用最大似然训练的模型可能具有较差的BS或BLL，因为最大似然并不直接优化这些标准。直接优化像BS这样的标准需要通过截尾分布进行逆加权。然而，估计这些指标下的删失模型需要反向加权的故障分布。每个模型的目标都需要另一个模型，但两者都是未知的。为了解决这个难题，我们引入了逆加权生存游戏。在这些游戏中，每个模型的目标都是根据另一个模型的重新加权估计来构建的，后者在训练期间保持固定。当损失是适当的，我们表明，游戏总是有真正的失败和删失分布作为一个平稳点。这意味着游戏中的模型一旦达到正确的分布就不会离开。我们构造了一种情形，在这种情形下，这个不动点是唯一的。我们表明，这些游戏优化BS模拟，然后将这些原则应用于现实世界的癌症和危重病人的数据。
2022-01-31 cs.LG stat.ML
Doubly valid and doubly sharp sensitivity analysis to unobserved confounding for survival outcomes
Sanofi R&D（赛诺菲研发）；Inria, Inserm, Université Paris Cité, HeKA（法国国家信息与自动化研究所，法国健康与医学研究院，巴黎西岱大学，HeKA）；CIC-EC 1418 - Paris HEGP（巴黎HEGP医院-研究中心1418临床转化中心）
针对生存结局，提出基于边际敏感性模型的双有效且双尖锐界，用于敏感性分析未观测混杂，涵盖生存函数差异和RMST，在模拟和真实数据上比先前方法更紧且更高效。
2026-09-17 stat.ME
Ranked Set Sampling in Survival Analysis
本研究开发了适用于平衡RSS设计的统一生存分析框架，提出了基于排名的生存估计方法和推断工具，提升了在不完美排名和删失情况下的效率。
2025-12-27 stat.ME
Random Effect Restricted Mean Survival Time Model
本文提出随机效应限制平均生存时间模型，通过伪值广义混合模型和聚类估计方程整合两种方法处理聚类异质性，并用模拟及印度儿童死亡数据验证其有效性。
2024-06-10 stat.AP stat.ME
Cox Model Predicting Covariate Subject to Right Censoring
AstraZeneca（阿斯利康）；Duke University（杜克大学）；Sungshin Women’s University（成信女子大学）
本文提出基于半参数Cox模型的方法，通过修改部分似然函数以处理受右删失影响的协变量，提升估计效率和数据利用率。
2026-04-11 stat.ME
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
Online Survival Analysis: A Bandit Approach under Cox PH Model
Department of Statistics（统计学系）
本文基于Cox PH模型，提出在线强化学习方法，解决生存分析中阶梯进入、延迟反馈和右删失等挑战，通过理论保证和实验验证，实现高效学习最优治疗策略。
2026-04-22 cs.LG stat.ML
Survival analysis under label shift
针对同时存在标签偏移和标签删失的源数据，提出通过最大化近似似然估计参数模型，实现目标总体的统计推断，首次将生存分析与标签偏移结合。
2025-06-26 stat.ME
SDPM: Survival Diffusion Probabilistic Model for Continuous-Time Survival Analysis
Peter the Great St.Petersburg Polytechnic University（彼得大帝圣彼得堡国立大学）
本文提出SDPM，一种用于连续时间生存分析的生成模型，通过去噪扩散模型建模生存结果的条件分布，避免了对事件时间分布的参数假设，并在变换的目标空间中使用标准化对数时间和连续高斯混合表示来表示删失指示符，从而在多个真实生存数据集上取得了竞争力的预测性能。
2026-05-21 cs.AI cs.LG stat.CO
The Brier Score under Administrative Censoring: Problems and Solutions
University of Oslo（奥斯陆大学）
Brier评分通常用于评估概率预测。在生存分析中，使用事件时间的右删失观察值，该评分可以通过逆删失概率（IPCW）进行加权，以保留其原始解释。通常的做法是使用卡普兰-迈耶估计量估计删失分布，即使它假设删失分布与协变量无关。本文讨论了布里尔分数的截尾估计的一般影响，并表明截尾分布的估计可能是有问题的。特别是，当可以从协变量中确定删失时间时，IPCW评分不再有效。对于行政审查的数据，潜在的审查时间是已知的所有个人，我们提出了一个替代版本的Brier评分。该管理Brier评分不需要估计删失分布，即使可以从协变量中确定删失时间，也是有效的。
2019-12-18 cs.LG stat.AP stat.ML
Toward Valid Generative Clinical Trial Data with Survival Endpoints
Inria（法国国家信息与自动化技术研究院）；Université Paris Cité（巴黎城市大学）；Inserm（法国国家卫生研究院）；HeKA；AP-HP（巴黎大学医院）；Hôpital Européen Georges Pompidou（乔治·蓬皮杜欧洲医院）；Unité de Recherche Clinique APHP（APHP临床研究中心）；CIC1418（临床研究1418中心）；Epidémiologie Clinique Paris France（巴黎流行病学临床研究中心）
本文提出一种变分自编码器生成合成对照组，以解决临床试验中生存终点建模的挑战，优于GAN基线并在隐私和校准方面取得进展。
2025-11-20 cs.LG stat.AP stat.ME
Machine Learning for Survival Analysis: A Survey
Virginia Tech（弗吉尼亚理工大学）；University of Michigan（密歇根大学）
准确预测感兴趣事件的发生时间是纵向数据分析中的关键问题。这方面的主要挑战之一是存在这样的实例，其事件结果在某个时间点之后变得不可观察，或者当一些实例在监测期间没有经历任何事件时。这种现象被称为删失，可以使用生存分析技术有效地处理。传统上，统计方法已在文献中广泛开发，以克服这个审查问题。此外，许多机器学习算法适用于有效处理生存数据，并解决现实世界数据中出现的其他挑战性问题。在本调查中，我们对代表性统计方法以及生存分析中使用的机器学习技术进行了全面和结构化的回顾，并对现有方法进行了详细的分类。我们还讨论了与生存分析密切相关的几个主题，并说明了在各种现实世界的应用领域中的几个成功的应用程序。我们希望本文将提供一个更深入的了解生存分析的最新进展，并提供一些指导方针，应用这些方法来解决新的问题，在应用中出现的删失数据。
2017-08-15 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
Bounds for the regression parameters in dependently censored survival models
针对相依删失生存数据，本文提出半参数部分识别方法以获得可随时间变化的协变量效应界，并通过模拟与经济、医学数据验证其性能。
2025-03-18 stat.ME
Training-Set Conditionally Valid Prediction Sets with Right-Censored Data
本文针对右删失数据提出一种基于半参数一步估计的预测下界构造方法，实现训练集条件有效性，并在模拟与真实数据上验证其高效性与鲁棒性。
2025-05-04 stat.ME
Position: Stop Chasing the C-index when Evaluating Survival Analysis Models
University of Copenhagen（哥本哈根大学）
本文批判性审视生存分析中的评估实践，指出C指数等一致性指标被过度使用且与建模目标错位，提出双螺旋阶梯框架以确保评估指标与模型假设对齐，并通过实验展示错位导致的误导性比较。
2026-05-31 cs.LG stat.ME
A maximum penalised likelihood approach for semiparametric accelerated failure time models with time-varying covariates and partly interval censoring
针对含时变协变量和部分区间删失数据的生存分析难题，提出一种基于高斯基函数和约束优化的最大惩罚似然半参数AFT模型拟合方法，并在模拟与晚期黑色素瘤临床试验中验证了其有效性。
2024-12-20 stat.ME
Debiased machine learning for counterfactual survival functionals based on left-truncated right-censored data
提出基于去偏机器学习的非参数估计量，用于在左截断右删失数据下估计反事实生存时间与协变量联合分布，支持灵活机器学习工具集成与稳健推断。
2024-11-13 math.ST stat.ME stat.TH
Pitfalls of Administrative Censoring in Survival Models with Time-Indexed Inputs
Center for Data Science, New York University（纽约大学数据科学中心）；University of Chicago（芝加哥大学）；NYU Grossman School of Medicine（纽约大学格罗斯曼医学院）；Ataraxis AI（Ataraxis人工智能公司）
研究生存模型中行政审查的陷阱，通过刻画行政截断泄漏发生的情况，将其与其他情况区分，提出检测方法，经模拟和真实队列验证，为生存预测提出数据集应提供足够潜在随访的设计原则。
2026-07-14 cs.LG stat.AP
Semi-supervised Estimation of Event Rate with Doubly-censored Survival Data
针对EHR双删失事件时间标注稀缺、替代指标有偏的问题，提出结合金标准标注与替代特征的SEEDS半监督估计方法，证明其统计性质，仿真和真实数据实验验证其更高效。
2023-11-05 stat.ME
Energy distance and kernel mean embeddings for two-sample survival testing
研究了右截尾方案下两个随机样本之间分布相等性的比较问题。为了解决这个问题，我们设计了一系列基于能量距离和核均值嵌入的测试。我们校准我们的测试使用置换方法，并证明他们是一致的对所有固定的连续的替代品。为了评估我们提出的测试，我们模拟了以前临床试验的生存曲线。此外，我们为从业者提供了一组关于如何选择延迟效应问题的参数/距离的建议。基于我们提出的参数调整方法，我们表明，我们的测试表现出相当大的增益对经典的生存测试的统计功效。
2019-12-09 stat.ME
