假设 AI 判断一种治疗能让患者多活一段时间，只报“获益多少”还不够：换一批患者，这个数字会不会大幅变化？TDSC（Targeted Deep Survival Contrasts）要补上的，正是这层不确定性。它处理观察数据里的混杂因素——同时影响治疗选择和结局的变量——以及删失，即随访结束时事件仍未发生、只能知道部分结果的情况。
方法最特别的一步，是不按每个时间点分别修正，而是沿一条统一路径调整神经网络最后几层，同时校准整条治疗获益曲线；再用“残差补正”清掉模型结构未能处理的偏差，并生成同时置信带——覆盖整条曲线的不确定性区间。作者报告，在主要模拟中，点置信区间和同时置信带的覆盖率分别为 94.8% 和 95.0%，均方误差比使用相同基础拟合的逐时间点方法低 35%。
这项工作的边界也很清楚：当结局模型严重设错时，未经补正的版本覆盖率降至 44%，补正后才回到 94%—95%。这些结果来自模拟实验；方法成立还依赖无未测混杂、删失机制等假设。