标签
提出AdaSurvMamba，一种用于多模态生存分析的自适应框架，通过双尺度重要性感知重建模块和语义聚合扫描来改进全切片图像与基因组图谱的整合，在五个TCGA队列上实现一致性的性能提升。
本文介绍了iLENS，一种可解释的、由大语言模型（LLM）引导的混合专家（MoE）框架，用于阿尔茨海默病的生存预测和患者亚型分析。该方法为其路由决策提供了透明且基于生物学的合理解释，弥合了高性能生存分析与可解释临床决策支持之间的差距。
本文介绍了FoGS，一种过滤式生成器混合管道，它从多个生成模型中选择合成样本来改进生存分析训练，在多个数据集上超越真实数据训练，同时保护隐私。
本文系统评估了联邦学习下三种生存模型（Cox、DeepSurv、RSF）在异质性乳腺癌数据上的表现，发现联邦学习优于本地训练，且RSF在各客户端间提供了最佳性能平衡。
本文介绍了一种面向决策的生存分析学习方法，该方法通过NDCG优化将预测模型与后续分配决策对齐。应用于美国心脏移植数据后，排名性能提升了50-100%，每年可能带来数千额外生命年。
本文提出TopoMamSurv，一种用于全切片图像生存分析的图Mamba框架，采用拓扑感知排序解决Mamba对输入顺序的敏感性问题，并融合双向Mamba和图卷积网络（GCN）实现空间上下文建模。
本文提出了acopula，一个JAX原生的嵌套阿基米德Copula推断框架，能够处理任意删失、嵌套树，并利用泰勒模式自动微分计算精确参数梯度，相比现有方法实现了显著的加速。
本文介绍了FederatedRSF，一个用于联邦随机生存森林的Python包，它能处理跨机构的部分重叠医学数据而无需共享原始数据，并在乳腺癌数据上展示了与集中式训练相当的性能。
本文提出非参数估计器 KM-ARL 和 KM-ADD，用于在有限和不规则序列长度下评估变化点检测器，并将快速变化点检测（QCD）与生存分析进行类比。
SurvivalPFN 是一种先验数据拟合网络，通过上下文学习摊销生存分析的贝叶斯推断，在 61 个数据集上实现了强大的预测性能，无需特定任务训练或超参数调优。