mlr3verse vs KM曲线:谁能更精准地预测生存率?

一、引言

生存分析是统计学中一种重要的方法,用于分析个体在特定时间段内生存的概率或生存率。它在医学、流行病学、生物学等领域被广泛应用。通过生存分析,我们可以评估治疗方法的效果、预测疾病进展的风险以及评估特定因素对生存率的影响。

生存率的准确预测对于医学和研究领域至关重要。传统的生存分析方法中,「Kaplan-Meier(KM)」 生存曲线已被广泛使用来估计生存函数。然而,随着机器学习和深度学习等技术的发展,新的方法如 「mlr3verse」 也被引入生存分析领域。mlr3verse采用嵌入式方法,结合高维数据处理能力,提供了更加灵活和准确的生存分析。

在本文中,我们将比较mlr3verse和KM生存曲线在生存率预测方面的性能差异。我们将考虑两种方法的优势和局限性,并结合具体案例和实验研究结果来评估它们的预测精度。这将有助于研究人员和医学专业人员选择适合其研究目的的生存分析方法。

二、生存分析概述

2.1 生存分析的基本概念和用途

  • 「生存分析的基本概念包括以下几个要素」

  1. 生存时间(Survival Time):指个体从某个起始时间点到达特定事件(如死亡)之间的时间长度。
  2. 生存状态(Survival Status):表示个体是否已经经历了特定事件,通常用二元变量(生存或死亡)来表示。
  3. 生存函数(Survival Function):用于描述在给定时间点上个体仍然存活的概率。生存函数是一个递减的曲线,随着时间的推移,概率逐渐减少。
  4. 生存率(Survival Rate):表示在某个特定时间点上个体存活的概率。
  5. 风险因素(Risk Factors):指影响个体生存概率的因素,如年龄、性别、疾病状态等。
  • 「生存分析原理」

生存函数通常用Kaplan-Meier方法来估计,其数学表达式如下: S(t) = S(t-1) * (1 - d(t)/n(t))其中:

  1. S(t) 表示在时间点t上的生存函数值,即在t时刻存活的概率。
  2. S(t-1) 表示在时间点t-1上的生存函数值。
  3. d(t) 表示在时间点t上发生事件(比如死亡)的个体数量。
  4. n(t) 表示在时间点t上处于观测状态(未发生事件或被失踪)的个体数量。

根据公式,生存函数的计算是通过递归的方式进行的。初始时,S(0) = 1,表示所有个体在起始时间点都是存活的。随着时间的推移和事件的发生,生存函数逐渐减少。

需要注意的是,当某个时间点上没有发生事件的个体时(d(t) = 0),则生存函数值不变,即S(t) = S(t-1)。而当事件发生时(d(t) > 0),生存函数值会相应地减少。

通过计算每个时间点上的生存函数值,可以得到整个生存函数曲线。这条曲线可以提供关于个体存活概率的估计和比较。当然还有其它的方法,我们接下来介绍!

  • 「生存分析的应用非常广泛,主要用于以下几个方面」

  1. 医学研究:生存分析可用于评估新药或治疗方法对患者生存率的影响,从而确定最佳治疗方案。
  2. 流行病学:生存分析可用于研究特定疾病的发病率和死亡率,并评估风险因素的作用。
  3. 生物学:生存分析可应用于动物或植物的寿命研究,以了解其存活和寿命的模式。
  4. 社会科学:生存分析可应用于人口学研究,探索个体的生命历程、结婚时间、就业时间等。

三、mlr3verse概述

3.1 mlr3verse简介

mlr3verse是一个新的生存分析工具集,它基于R语言中的mlr3框架开发而成。mlr3verse为研究人员和数据科学家提供了一套功能强大的工具,用于处理、建模和评估生存数据。

  1. 首先,mlr3verse提供了统一的框架,使用户可以在同一个环境下进行数据预处理、模型选择和模型评估等任务。这个框架整合了多个相关包,如mlr3、mlr3proba和mlr3learners,简化了工作流程,提高了效率。
  2. 其次,mlr3verse支持多种常用的生存分析模型,如Cox比例风险模型和加速失效时间模型等。此外,它还允许用户自定义模型,满足个性化的需求。用户可以根据实际研究需要选择合适的模型,并进行灵活的建模。
  3. 除此之外,mlr3verse还提供了自动超参数调优功能,帮助用户选择最佳的模型参数组合。通过交叉验证等技术,它能够自动搜索最合适的超参数,提高建模的准确性和稳定性。
  4. 另外,mlr3verse还集成了丰富的特征工程功能,包括特征选择和特征变换等。用户可以根据数据特点进行特征工程,提取更具预测能力的特征,改善模型性能。
  5. 最后,mlr3verse提供直观易用的结果可视化功能,用户可以绘制生存曲线、风险曲线等图形,对生存分析结果进行直观理解和评估。

3.2 mlr3verse的优势和创新之处

  1. 统一的框架:mlr3verse提供了一个统一的框架,将数据处理、建模和评估整合在一起。这样,用户可以在同一个环境中进行数据预处理、模型选择和模型评估,避免了不同工具之间的兼容性问题。
  2. 高度灵活的模型选择:mlr3verse支持多种常用的生存分析模型,如Cox比例风险模型、加速失效时间模型等,并且可以自定义模型。用户可以根据具体的研究需求选择合适的模型,进行灵活的建模。
  3. 自动化的超参数调优:mlr3verse提供了自动化的超参数调优功能,可以帮助用户选择最佳的模型超参数组合。通过交叉验证等技术,mlr3verse能够自动搜索模型的最佳超参数,提高建模的准确性和稳定性。
  4. 集成的特征工程:mlr3verse支持丰富的特征工程功能,包括特征选择、特征变换等。用户可以根据数据特点进行特征工程,提取更具有预测能力的特征,改善模型性能。
  5. 直观的结果可视化:mlr3verse提供了直观易用的结果可视化功能,可以帮助用户理解和解释生存分析的结果。用户可以绘制生存曲线、风险曲线等图形,以及进行模型的性能评估和比较。

总而言之,mlr3verse作为一种新的生存分析工具,具有统一的框架、支持多种模型选择、自动超参数调优、丰富的特征工程和直观的结果可视化等特点。它能够帮助研究人员和数据科学家更高效地进行生存分析任务,并得到准确可靠的结果和解释。

四、mlr3verse VS KM分析

4.1 KM曲线的优势和局限性

  • 「KM曲线在生存分析中的常见应用和优点」

  1. 生存函数估计:KM曲线是生存分析中最常用的工具之一,能够估计特定时间点上存活的概率。它可以根据样本数据的生存时间和观测状态,估计出不同时间点上的生存概率。
  2. 生存时间比较:KM曲线可以用于比较不同组别或处理间的生存时间差异。通过绘制不同组别的KM曲线,并使用统计方法(如log-rank检验),可以评估不同因素对生存时间的影响,识别高风险组和低风险组。
  3. 事件发生率:除了生存概率,KM曲线还提供了事件发生率(如死亡率)的估计。通过观察曲线的斜率变化,可以了解事件发生的速率和趋势。
  4. 可视化效果:KM曲线以图形方式展现了随时间变化的生存概率,直观地显示了不同组别或处理间的差异。这种可视化效果有助于研究人员和决策者更好地理解和传达生存分析的结果。
  • 「KM曲线的限制和可能存在的问题」

  1. 遗失数据偏倚:当样本中存在遗失数据时,KM曲线可能存在偏倚。如果遗失数据与生存时间有关,且未被正确处理,那么估计的生存概率可能是不准确的。
  2. 截断数据限制:KM曲线无法考虑截断数据的影响。当研究中存在截断数据(例如观察期结束时未发生事件),KM曲线可能低估生存概率。
  3. 假设限制:KM曲线基于一些假设,如事件发生是独立和随机的。如果假设不成立,比如存在相关事件或违反比例风险假设,那么KM曲线的解释和比较可能会出现问题。
  4. 组别比较局限性:KM曲线用于比较不同组别之间的生存时间差异,但它并不能提供具体的风险因素和效应大小。要深入了解这些因素,需要使用更复杂的统计模型。
  5. 时间分辨率限制:KM曲线对观测时间进行离散化处理,可能会导致时间分辨率不足。在研究中,可能有更精细的时间尺度,需要使用其他方法来处理。

4.2 mlr3verse的优势和功能

  • 「mlr3verse新一代生存分析工具的优势」

  1. 统一框架:mlr3verse提供了一个统一的框架,整合了多个生存分析任务的包和工具。这意味着数据科学家和研究人员可以使用相同的接口来处理和分析不同的生存分析问题,从而简化了工作流程。
  2. 增强的功能:mlr3verse提供了许多强大的功能,包括数据预处理、特征选择、模型训练和评估等。它支持各种统计和机器学习模型,可以灵活地处理各种类型的数据,并提供丰富的性能评估指标和交叉验证方法。
  3. 可扩展性:mlr3verse具有良好的可扩展性,可以轻松地集成其他生存分析方法和外部包。用户可以根据自己的需求自定义和扩展分析流程,以适应不同领域和问题的要求。
  4. 高效和自动化:mlr3verse通过高效的计算和自动化功能提高了工作效率。它支持并行计算和分布式计算,可加快计算速度。此外,mlr3verse的结果和分析过程可追溯和复现,方便与他人共享和验证研究结果
  • 「mlr3verse在预测生存率方面的潜力和创新功能」

  1. 高级模型选择:mlr3verse提供多种高级生存分析模型,包括传统的Cox比例风险模型、基于深度学习的模型和集成模型等。这些模型考虑到多个因素对生存时间的影响,能够更准确地预测生存率。
  2. 特征工程:mlr3verse提供灵活的特征选择和转换功能,有助于用户选择和构建与生存率相关的特征。这有助于改善模型的预测性能,并发现影响生存率的潜在因素。
  3. 不确定性估计:mlr3verse支持对生存率预测结果的不确定性进行估计。通过使用交叉验证和重采样技术,可以获得模型预测的置信区间和可靠性度量,提供更全面和可解释的预测结果。
  4. 结果可视化:mlr3verse提供了丰富的结果可视化功能,可以直观地展示预测的生存率和相关变量之间的关系。这有助于研究人员更好地理解和解释模型结果,并进行进一步的数据分析和解读。

综上所述,mlr3verse作为新一代的生存分析工具,具有统一框架、增强的功能、可扩展性和高效自动化等优势,并在预测生存率方面具有潜力和创新功能。这使得它成为研究生存分析的重要工具,并能够在预测生存率方面提供准确和可靠的结果。

4.3 mlr3verse和KM的异同

  1. 功能不同:mlr3verse是一个包含多个生存分析任务的综合框架,它提供了数据预处理、模型选择、模型训练和评估等功能。与此相反,KM方法是一种用于估计生存函数的非参数方法,主要用于直观地描述事件发生概率随时间的变化趋势。
  2. 数据要求不同:mlr3verse适用于各种类型的数据,包括连续、离散和分类变量。它可以处理缺失数据以及其他类型的特殊情况。KM方法通常适用于仅具有事件发生信息的数据集,例如生存时间和事件指示器。
  3. 模型选择与解释性:mlr3verse提供了多种生存分析模型选择的功能,包括传统的Cox比例风险模型、基于深度学习的模型和集成模型等。这些模型可以更准确地预测生存率,但可能较复杂,解释性较差。相比之下,KM方法不涉及具体的模型假设,更易于解释。
  4. 预测能力与应用场景:mlr3verse的模型通常具有更好的预测能力,适用于复杂的数据集和预测需求。它更适合进行个体化的生存率预测和风险评估。KM方法主要用于群体层面的生存分析,可以提供整体的生存曲线和中位生存时间等统计量。

综上所述,mlr3verse和KM在功能、数据要求、模型选择与解释性以及应用场景上存在显著的差异。mlr3verse作为一个综合的生存分析框架,具有更多的功能和预测能力,适用于复杂的数据分析和预测需求。而KM方法则更适合用于描述整体生存概率的变化趋势,并具有简单和直观的解释性。根据具体的分析目标和数据情况,选择适合的工具是非常重要的。

五、mlr3verse和KM比较

5.1 数据集载入

library(survival)
str(gbsg)

结果展示:

> str(gbsg)
'data.frame':   686 obs. of  10 variables:
 $ age    : int  49 55 56 45 65 48 48 37 67 45 ...
 $ meno   : int  0 1 1 0 1 0 0 0 1 0 ...
 $ size   : int  18 20 40 25 30 52 21 20 20 30 ...
 $ grade  : int  2 3 3 3 2 2 3 2 2 2 ...
 $ nodes  : int  2 16 3 1 5 11 8 9 1 1 ...
 $ pgr    : int  0 0 0 0 0 0 0 0 0 0 ...
 $ er     : int  0 0 0 4 36 0 0 0 0 0 ...
 $ hormon : int  0 0 0 0 1 0 0 1 1 0 ...
 $ rfstime: int  1838 403 1603 177 1855 842 293 42 564 1093 ...
 $ status : Factor w/ 2 levels "0","1": 1 2 1 1 1 2 2 1 2 2 ...

age:患者年龄
meno:更年期状态(0表示未更年期,1表示已更年期)
size:肿瘤大小
grade:肿瘤分级
nodes:受累淋巴结数量
pgr:孕激素受体表达水平
er:雌激素受体表达水平
hormon:激素治疗(0表示否,1表示是)
rfstime:复发或死亡时间(以天为单位)
status:事件状态(0表示被截尾,1表示事件发生)

5.2 KM生存曲线

library(ggplot2)
library(survminer)
# 绘制生存曲线
fit <- survfit(Surv(survtime,censdead
) ~ hormone,data = gbcs)
ggsurvplot(fit, data = gbcs,risk.table = TRUE,
  ggtheme = theme_bw(),
  xlab = "days",break.x.by=200,
  tables.y.text=FALSE,legend.title="",
  fontsize=5,break.y.by=0.2,
  font.x = 15,
  font.y = 15,
  font.tickslab = 15,
  font.legend = 15,
  ylab='Event-free survival probability',
  legend = c(0.90,0.85),pval.coord = c(5,0.25),pval.size=5,
  pval.family="Times New Roman",palette = c("red","green"))
mlr3verse vs KM曲线:谁能更精准地预测生存率?_第1张图片

5.3 mlr3verse生存分析

  • 「设定任务」
options (repos = c (raphaels1 = "https://raphaels1.r-universe.dev", mlrorg = "https://mlr-org.r-universe.dev", CRAN = 'https://cloud.r-project.org'))
install.packages("dictionar6")
install.packages("param6")
install.packages("ranger")
install.packages("survivalmodels")
install.packages("mlr3")
install.packages("mlr3proba")
install.packages("mlr3verse")
install.packages("mlr3extralearners")
library("mlr3extralearners")
library(mlr3)
library(mlr3proba)
library(mlr3verse)
library(mlr3pipelines)
library(survex)
library(survival)

data(gbcs)
gbcs <- gbcs[,-c(1,2,3,4)]
gbcs$hormone <- as.factor(gbcs$hormone)
task = as_task_surv(gbcs, 
                    time = "survtime",
                    event = "censdead",id="gbcs")
task$head()
#绘制KM曲线
autoplot(task,rhs="hormone")

结果展示:

> task$head()
      survtime censdead age censrec estrg_recp grade hormone menopause nodes
1:     2282        0  38       1        105     3       1         1     5
2:     2006        0  52       1         14     1       1         1     1
3:     1456        1  47       1         89     2       1         1     1
4:      148        0  40       0         11     1       1         1     3
5:     1863        0  64       0          9     2       2         2     1
6:     1933        0  49       0         64     1       2         2     3
   prog_recp rectime size
1:       141    1337   18
2:        78    1420   20
3:       422    1279   30
4:        25     148   24
5:        19    1863   19
6:       356    1933   56
mlr3verse vs KM曲线:谁能更精准地预测生存率?_第2张图片
  • 「生存分析预测」
ranger_learner <- lrn("surv.ranger"
ranger_learner$train(task)

ranger_learner_explainer <- explain(ranger_learner,
                     data = gbcs,
                     y = Surv(gbcs$survtime, gbcs$censdead),
                     label = "Ranger model")
                     
ranger_learner_explainer |> predict_profile(gbcs[1,]) |> plot(numerical_plot_type = "contours",variables = c("hormone""age"),facet_ncol = 2,subtitle = NULL)
mlr3verse vs KM曲线:谁能更精准地预测生存率?_第3张图片

六、总结

综上所述,mlr3verse和KM在功能、数据要求、模型选择与解释性以及应用场景上存在显著的差异。mlr3verse作为一个综合的生存分析框架,具有更多的功能和预测能力,适用于复杂的数据分析和预测需求。而KM方法则更适合用于描述整体生存概率的变化趋势,并具有简单和直观的解释性。根据具体的分析目标和数据情况,选择适合的工具是非常重要的。如果想了解如何评估mlr3verse模型性能和特征重要性图,请关注和私信我,我们一起讨论学习。原创不易,如果觉得写的还行的话,请留下您的赞和再看,谢谢!

*「未经许可,不得以任何方式复制或抄袭本篇文章之部分或全部内容。版权所有,侵权必究。」

你可能感兴趣的:(人工智能,R语言新星计划,r语言,深度学习,人工智能,生存分析,临床医学)