본 연구는 생존 분석 (survival analysis) 맥락에서 개인별 치료 이익 확률 (Individual Probability of Treatment Benefit, IPTB)을 추정하기 위한 새로운 어텐션 기반 프레임워크를 제시합니다. Surv-IPTB라고 명명된 제안된 모델은 특정 환자가 대조군 (control) 대비 치료군 (treatment) 하에서 생존 시간이 연장될 확률을 직접적으로 정량화합니다. 우리는 치료군과 대조군 코호트 간의 쌍체 환자 비교 (pairwise patient comparisons)를 활용하여 IPTB 추정을 이진 분류 (binary classification) 문제로 재구성합니다. 이 프레임워크는 부정확한 확률 표현 (imprecise probability representations)을 통해 우측 검열 (right-censored) 관측치를 원칙적으로 처리하며, 여기서 불확실한 치료 효과는 구간 값 확률 (interval-valued probabilities)로 특징지어집니다. 학습 가능한 쿼리-키 변환 (query-key transformations)을 갖춘 어텐션 메커니즘 (attention mechanism)은 쌍체 비교의 유연하고 데이터 중심적인 집합을 가능하게 하는 동시에, 검열된 사례에 대한 소프트 클래스 확률 (soft class probabilities)을 동시에 학습합니다. 나선형 (spiral), 종 모양 (bell-shaped), 원형 (circular) 특징 공간을 포함하여 복잡한 비선형 구조를 가진 합성 데이터셋에 대한 광범위한 실험을 통해, 우리의 접근 방식이 다양한 검열률 (censoring rates)과 치료 효과 강도 전반에 걸쳐 견고한 성능을 유지함을 입증합니다. 이 모델은 랜덤 생존 포레스트 (random survival forests), Cox 비례 위험 모델 (Cox proportional hazards), Beran 추정기 (Beran estimators)를 갖춘 메타 학습기 (meta-learner) 베이스라인 (T-learner 및 S-learner)보다 일관되게 우수한 성능을 보이며, 특히 기존 방법들이 상당한 성능 저하를 보이는 까다로운 비선형 시나리오에서 더욱 두드러집니다. 결과적으로 본 연구는 제안된 어텐션 기반 프레임워크가 생존 환경에서 개인화된 치료 이익 평가를 위한 확장 가능하고 통계적으로 원칙적인 솔루션임을 확립합니다. 모델을 구현한 코드는 공개적으로 사용 가능합니다.