本研究探讨了变革性人工智能（TAI）带来的生存风险与经济增长之间的矛盾。尽管灾难性结果的可能性较低，但仍需大规模投资于AI的安全与对齐研究，以平衡其经济潜力与防范不可逆损害的重要性。

本研究提出了GroupMIL框架，解决了现有生存预测方法在病理特征捕捉方面的不足。该模型通过将多个幻灯片视为一个样本，显著提升了生存风险和概率评估的准确性，具有重要的临床应用潜力。

本文介绍了一种新的参数方法，用于评估具有截尾数据的时间事件预测问题中的相对风险。该方法通过联合学习输入协变量的深度非线性表示，在多个不同程度的截尾实际世界数据集上估算生存风险的优势，并证明了在竞争风险情景中的优势。这是在存在截尾时进行全参数生存时间与竞争风险估计的第一项研究。