《智能生存分析》
课程介绍
本课程旨在介绍智能生存分析这一融合现代人工智能与生存分析统计理论的前沿方向，从生存函数、风险函数及经典Cox比例风险模型等核心理论出发，剖析传统方法在高维、非线性、多模态"时间-事件"数据下面临的挑战，并重点讲解如何通过等价变换构建通用负对数似然函数，将其作为神经网络优化目标，利用深度学习的表征学习与非凸优化能力求解复杂生存问题；通过课程学习，学生将理解智能生存分析"继承统计严谨性、增强非线性拟合能力"的核心思想，并掌握其在医学预后、工程可靠性与金融风控等领域的应用思路。
课程目录
- 5.1.1 nDeep智能生存分析模型
- 5.1.2 CoxNAM模型
- 5.1.3 DCM模型
- 5.1.4 DeepSurv模型
- 5.1.5 DPLC模型
- 5.1.6 SurvNet模型
- 5.1.7 Cox-MLP与Cox-Time模型
- 5.1.8 神经Fine-Gray（Neural FG）模型
- 5.1.9 SURVNODE模型
- 5.1.10 RankDeepSurv模型
- 5.1.11 随机生存森林模型
- 5.1.12 DeepWeiSurv模型
- 5.1.13 DSM模型深度解析
- 5.1.14 BayeSA 模型
- 5.1.15 CR-SAVAE 模型
- 5.1.16 IDNetwork 模型
- 5.1.17 CoxKAN 模型
- 5.1.18 NN-DeepSurv模型详解
- 5.2.1 CNN-Cox 模型详解
- 5.2.2 Meta-Surv生存分析元学习模型
- 5.2.3 Cox-PASNet模型
- 5.2.4 Cox-nnet 模型
- 5.2.5 基于自编码器的生存分析模型（OmicsSurv）
- 5.2.6 DeepOmix 模型教学
- 5.2.7 GDP模型
- 5.2.8 VAECox 模型生存分析
- 5.2.9 SALMON 模型
- 5.2.10 ELMCoxBAR 模型
- 5.2.11 GWAS-CoxDNN深度生存模型
- 5.2.12 CoxLassoNet 模型
- 5.2.13 CNT模型
- 5.2.14 DeepCompete 模型
- 5.2.15 rcICQRNN 模型
- 5.3.1 CapSurv 模型
- 5.3.2 DeepConvSurv模型
- 5.3.3 CenTime模型
- 5.3.4 AdvMIL 模型
- 5.4.1 LSTM-COX模型详解
- 5.4.2 DeepEnsemble-Surv生存分析模型
- 5.5.1 广度与深度神经网络模型
- 5.5.2 DAFTSurv生存分析模型详解
- 5.5.3 PAGE-Net 模型
- 5.5.4 LungCT-SurvCNN生存分析模型
- 5.5.5 混合治愈率模型 (MCM)
- 5.5.6 DIASurv模型深度解析
- 6.1.1.1 Nnet-survival 生存模型解析
- 6.1.1.2 CNN-Survival模型
- 6.1.1.3 SurvCNN多组学生存预测模型
- 6.1.1.4 DRSA深度循环生存分析模型
- 6.1.1.5 HetitySA模型：ICU生存预测
- 6.1.1.6 TransformerJM生存分析模型
- 6.1.1.7 TDSA生存分析模型详解
- 6.1.1.8 MultiSurv多模态癌症生存预测
- 6.1.1.9 PLANN模型：离散时间生存分析
- 6.2.1.1 DeepComp模型：竞争风险生存分析
- 6.2.1.2 SurvTRACE模型：竞争事件生存分析
- 6.2.1.3 DeepPAMM：复杂风险结构的生存分析
- 6.2.1.4 DeepBTS 模型
- 6.2.2.1 DeepHit：生存分析与竞争风险
- 6.2.2.2 MESA模型：分层多事件生存分析
- 6.2.3.1 SSMTL生存分析模型详解
- 6.2.3.2 DMSM模型：深度多任务生存预测
- 6.2.3.3 DeepPseudo模型与竞争风险分析