外觀
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 CI | Kaplan-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:
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。