作者：白介素2
相关阅读：
R语言生存分析04-Cox比例风险模型诊断
R语言生存分析03-Cox比例风险模型
R语言生存分析-02-ggforest
R语言生存分析-01
ggpubr-专为学术绘图而生（二）
ggstatsplot-专为学术绘图而生(一)
生存曲线
R语言GEO数据挖掘01-数据下载及提取表达矩阵
R语言GEO数据挖掘02-解决GEO数据中的多个探针对应一个基因
R语言GEO数据挖掘03-limma分析差异基因
R语言GEO数据挖掘04-功能富集分析
如果没有时间精力学习代码，推荐了解：零代码数据挖掘课程
SurvivalROC包绘制时间依赖的ROC曲线
- 含有删失数据的生存数据
- 使用survivalROC包
- 包括Kaplan-Meier (KM) or Nearest Neighbor Estimation (NNE) 两种方法
假设我们有删失的生存数据与基线marker值，我们希望看到marker如何预测数据集中的受试者的存活时间。特别是，假设我们有几天的生存时间，我们想看看标记如何预测一年的存活（predict.time=365）。该功能roc.km.calc()返回感兴趣的时间点的唯一标记值、TP（真阳性）、FP（假阳性）、对应于感兴趣时间点(predict.time)和AUC(ROC)曲线下面积的Kaplan-Meier生存估计。
-
返回值:
- cut.values:由于计算TP和FP的marker值
- TP: 根据cutoff 判断的TRUE postive 真阳性
- FP: 根据cutoff判断的假阳性
- predict.time: 感兴趣的时间截点：可以为5年，3年等等
- Survival: kaplan-Meier法的预估生存时间
- AUC: Area under ROC，在时间截点的曲线下面积
实际代码演示
Sys.setlocale('LC_ALL','C')
library(survivalROC)
data(mayo)
head(mayo)
## time censor mayoscore5 mayoscore4
## 1 41 1 11.251850 10.629450
## 2 179 1 10.136070 10.185220
## 3 334 1 10.095740 9.422995
## 4 400 1 10.189150 9.567799
## 5 130 1 9.770148 9.039419
## 6 223 1 9.226429 9.033388
nobs <- NROW(mayo)
cutoff <- 365
- MAYOSCORE 4作为marker, NNE法计算
- marker value可以为表达值，免疫分数，检验参数等任何可以定义为数值的指标
- Mayo4.1得到的是列表，其内容是每一个marker的cutoff值都计算出相应的TP,FP
- TP,FP绘图即得到ROC，ROC曲线下面积即AUC
Mayo4.1= survivalROC(Stime=mayo$time,##生存时间
status=mayo$censor,## 终止事件
marker = mayo$mayoscore4, ## marker value
predict.time = cutoff,## 预测时间截点
span = 0.25*nobs^(-0.20))##span,NNE法的namda
str(Mayo4.1)## list结构
## List of 6
## $ cut.values : num [1:313] -Inf 4.58 4.9 4.93 4.93 ...
## $ TP : num [1:313] 1 0.997 0.995 0.993 0.99 ...
## $ FP : num [1:313] 1 0.997 0.994 0.99 0.987 ...
## $ predict.time: num 365
## $ Survival : num 0.929
## $ AUC : num 0.931
## 绘图
plot(Mayo4.1$FP, Mayo4.1$TP, ## x=FP,y=TP
type="l",col="red", ##线条设置
xlim=c(0,1), ylim=c(0,1),
xlab=paste( "FP", "\n", "AUC = ",round(Mayo4.1$AUC,3)), ##连接
ylab="TP",
main="Mayoscore 4, Method = NNE \n Year = 1")## \n换行符
abline(0,1,col="gray",lty=2)##线条颜色
image.png
- MAYOSCORE 4作为marker, KM法计算
## MAYOSCORE 4, METHOD = KM
Mayo4.2= survivalROC(Stime=mayo$time,
status=mayo$censor,
marker = mayo$mayoscore4,
predict.time = cutoff, method="KM")
plot(Mayo4.2$FP, Mayo4.2$TP,
type="l",col="red",xlim=c(0,1), ylim=c(0,1),
xlab=paste( "FP", "\n", "AUC = ",round(Mayo4.2$AUC,3)),
ylab="TP",
main="Mayoscore 4, Method = KM \n Year = 1")
abline(0,1,col="gray",lty=2)
image.png
- 将两个ROC曲线绘制到一起
- lines函数在原有基础上继续绘图
- legend函数增加legend
- 这样的基础绘图方式，代码比较复杂，而且并不是很美观
## NNE法
plot(Mayo4.1$FP, Mayo4.1$TP, ## x=FP,y=TP
type="l",col="red", ##线条设置
xlim=c(0,1), ylim=c(0,1),
xlab=("FP"), ##连接
ylab="TP",
main="Time dependent ROC")## \n换行符
abline(0,1,col="gray",lty=2)##线条颜色
## KM法
lines(Mayo4.2$FP, Mayo4.2$TP, type="l",col="green",xlim=c(0,1), ylim=c(0,1))
legend(0.6,0.2,c(paste("AUC of NNE =",round(Mayo4.1$AUC,3)),
paste("AUC of KM =",round(Mayo4.2$AUC,3))),
x.intersp=1, y.intersp=0.8,
lty= 1 ,lwd= 2,col=c("red","green"),
bty = "n",# bty框的类型
seg.len=1,cex=0.8)#
image.png
- ggsci颜色美化
require(ggsci)
library("scales")
pal_nejm("default")(8)
show_col(pal_nejm("default")(8))
## NNE法
plot(Mayo4.1$FP, Mayo4.1$TP, ## x=FP,y=TP
type="l",col="#BC3C29FF", ##线条设置
xlim=c(0,1), ylim=c(0,1),
xlab=("FP"), ##连接
ylab="TP",
main="Time dependent ROC")## \n换行符
abline(0,1,col="gray",lty=2)##线条颜色
## KM法
lines(Mayo4.2$FP, Mayo4.2$TP, type="l",col="#0072B5FF",xlim=c(0,1), ylim=c(0,1))
legend(0.6,0.2,c(paste("AUC of NNE =",round(Mayo4.1$AUC,3)),
paste("AUC of KM =",round(Mayo4.2$AUC,3))),
x.intersp=1, y.intersp=0.8,
lty= 1 ,lwd= 2,col=c("#BC3C29FF","#0072B5FF"),
bty = "n",# bty框的类型
seg.len=1,cex=0.8)#
image.png
很显然这样的配色让图上了一个档次
