생존 예측(Survival prediction)은 의료 제공자와 임상 연구자들에게 핵심적인 역할을 합니다. 정확한 위험 층화(Risk stratification)는 조기 개입과 개선된 환자 관리를 가능하게 합니다. 대부분의 기존 딥 생존 모델(Deep survival models)은 모든 환자에 대해 하나의 공통된 특징 표현(Feature representation)을 학습하는데, 이는 환자 하위 그룹 간의 중요한 차이점을 숨길 수 있습니다. 이와 대조적으로, 전문가 혼합(Mixture-of-Experts, MoE) 프레임워크는 모델의 서로 다른 부분이 서로 다른 환자 패턴에 집중할 수 있게 하여, 더욱 개별화된 표현을 이끌어냅니다. 따라서 본 연구에서는 이러한 이질적인 생존 패턴을 모델링하기 위해 전문가 혼합 기반의 적응형 딥 클러스터링 생존 프레임워크(AdaCSM)를 제안합니다. 우리는 파라미터 기반 생존 모델링(Parametric survival modeling) 프레임워크 내에서 조건부 전문화(Conditional specialization)를 가능하게 하는 라우팅 기반 전문가 메커니즘을 도입합니다. 제안된 아키텍처는 환자의 생존 및 하위 유형 클러스터링(Subtype clustering) 목표를 보존하면서, 환자를 전문화된 위험 예측기(Risk predictors)에 동적으로 할당합니다. 우리는 다양한 질병 영역에 걸친 여러 실제 종단적 임상 코호트(Longitudinal clinical cohorts)에서 우리의 방법을 최첨단(State-of-the-art) 생존 모델 및 딥 클러스터링 모델과 비교합니다. 제안된 방법은 향상된 예측 성능을 입증하며 생존 분석에서 해석 가능한 결과를 도출합니다.