Skip to content

Statistics › 存活分析 › 視覺化

存活分析視覺化 (Visualization) ​

視覺化不是裝飾:KM 曲線是所有存活分析的起點、log-log 圖是 PH 假設的視覺檢查、森林圖是 Cox 結果的標準呈現。每種圖都有特定的診斷或溝通目的。從 DataFrame 快速作圖見 Pandas: Visualization。

圖表總覽 ​

圖目的怎麼讀詳見
Kaplan-Meier 曲線各組隨時間的存活機率事件 → 往下跳;設限 → 刻度標記;陰影為 CIKaplan-Meier
風險表 (at-risk table)各時點仍在追蹤中的人數人數少的區段估計不穩Kaplan-Meier
累積風險圖 (Nelson-Aalen)累積風險隨時間指數分配下為直線;各組大致成比例 → PH 合理存活與風險函數
log-log 圖檢查 PH 假設平行 → PH 成立;交叉 → 違反模型診斷
森林圖 (forest plot)Cox 模型各共變數的 HR 與 95% CI方塊 = HR、橫線 = CI、HR = 1 的垂直線 = 無效果Cox 模型
調整後存活曲線控制共變數後,各組的預測存活比原始 KM 更能反映調整後的差異Cox 模型
Schoenfeld 殘差圖係數是否隨時間改變LOWESS 水平 → PH 成立模型診斷
Martingale 殘差圖連續共變數的函數形式非水平 → 考慮轉換或樣條模型診斷
Deviance 殘差圖離群個體|值| > 2 值得檢查模型診斷
校準圖預測 vs 觀察存活貼近 45° 線 = 校準良好模型診斷
累積發生曲線 (CIF)競爭風險下各事件的累積發生率取代 1 − KM核心概念
Heatmap依分層 / 風險分數 / 基因表現群的存活機率多世代、omics 分析常用—

Nelson-Aalen 累積風險估計:H^(t)=∑ti≤tdi/ni。

Python ​

python
import matplotlib.pyplot as plt
from lifelines import KaplanMeierFitter, NelsonAalenFitter, CoxPHFitter
from lifelines.plotting import add_at_risk_counts
from lifelines.statistics import logrank_test, proportional_hazard_test

# KM + CI + 風險表 + log-rank p(df 含 time、status、group)
fig, ax = plt.subplots(figsize=(8, 5))
fits = []
for g, sub in df.groupby("group"):
    k = KaplanMeierFitter().fit(sub["time"], sub["status"], label=str(g))
    k.plot_survival_function(ax=ax, ci_show=True, show_censors=True)
    fits.append(k)
add_at_risk_counts(*fits, ax=ax)
a, b = [sub for _, sub in df.groupby("group")]
p = logrank_test(a["time"], b["time"], a["status"], b["status"]).p_value
ax.set(title=f"log-rank p = {p:.3f}", xlabel="Time (months)", ylabel="Survival probability")
plt.tight_layout(); plt.show()

# 累積風險
NelsonAalenFitter().fit(df["time"], df["status"]).plot(); plt.show()

# 森林圖 + PH 檢定
cph = CoxPHFitter().fit(df, duration_col="time", event_col="status")
cph.plot(hazard_ratios=True); plt.show()
proportional_hazard_test(cph, df, time_transform="rank").print_summary()

R(survminer) ​

r
library(survival); library(survminer)
fit <- survfit(Surv(time, status) ~ treatment, data = clinical_data)

ggsurvplot(fit, data = clinical_data, pval = TRUE, conf.int = TRUE, risk.table = TRUE,
           surv.median.line = "hv", xlab = "Time (months)", ggtheme = theme_minimal())
ggsurvplot(fit, fun = "cumhaz", data = clinical_data)       # 累積風險
ggforest(cox_model, data = clinical_data)                     # 森林圖
plot(cox.zph(cox_model))                                      # Schoenfeld 殘差
# 校準:rms::calibrate()

發表級圖表建議 ​

元素建議
顏色跨圖一致(如處理 A = 藍、B = 紅);考慮色盲友善配色
座標軸標示時間單位(月、年);y 軸從 0 到 1
信賴區間適當時以半透明陰影呈現
圖例清楚標示組別與樣本數
標註中位存活時間、log-rank p 值、HR(95% CI)
風險表放在 KM 圖下方
時間範圍截在風險集仍合理的時間點,避免過度強調不穩定的尾端

只能放幾張圖時,優先順序:(1) KM 曲線 + CI;(2) 風險表;(3) 有配適 Cox 時的 HR 森林圖。沒有風險表的極簡存活圖,通常比稍微擁擠但有正確脈絡的圖資訊更少。