类似于cox回归风险模型，我们可以使用survivalsvm得到生存曲线和风险比吗？

Question

我是一个初学者，试图使用机器学习在肺癌数据集上进行生存分析。我知道如何使用Cox比例风险模型进行生存分析。Cox比例风险模型给我们提供了风险比，它只是回归系数的指数。我想知道，我们是否可以使用机器学习来做同样的事情。作为一个初学者，我正在尝试R语言中的survivalsvm。请参阅link获取相关信息。我正在使用内置的癌症数据进行生存分析。以下是在这个link上给出的R代码。

library(survival)
library(survivalsvm)

set.seed(123)
n <- nrow(veteran)
train.index <- sample(1:n, 0.7 * n, replace = FALSE)
test.index <- setdiff(1:n, train.index)
survsvm.reg <- survivalsvm(Surv(diagtime, status) ~ ., 
                            subset = train.index, data = veteran,
                            type = "regression", gamma.mu = 1,
                            opt.meth = "quadprog", kernel = "add_kernel")
print(survsvm.reg)
pred.survsvm.reg <- predict(object = survsvm.reg,
                             newdata = veteran, subset = test.index)
print(pred.survsvm.reg)

有人能帮我得到这个数据集的风险比或生存曲线吗？另外，如何解释此函数的输出

Answer 1

这个问题现在有点老了，但我还是要回答，因为这是一个困难的问题，当我第一次使用它时，我一直在与{survivalsvm}作斗争。

因此，根据type参数，您会得到不同的输出。在你的例子中，type = "regression"意味着你正在绘制Shivaswamy的(希望我拼写正确) SVCR，它预测直到事件发生的时间，所以这些是生存时间预测。

为了将其转换为生存曲线，您必须对生存分布的形状做出一些假设。例如，假设生存时间是N(mu, sigma)的正态分布。然后，您可以使用预测的生存时间作为mu，并对sigma进行预测或假设。

下面是一个使用您的代码和我的{distr6}包的示例，它可以快速计算许多分布以及打印和绘制函数：

library(survival)
library(survivalsvm)
set.seed(123)
n <- nrow(veteran)
train.index <- sample(1:n, 0.7 * n, replace = FALSE)
test.index <- setdiff(1:n, train.index)
survsvm.reg <- survivalsvm(Surv(diagtime, status) ~ ., 
                           subset = train.index, data = veteran,
                           type = "regression", gamma.mu = 1,
                           opt.meth = "quadprog", kernel = "add_kernel")
print(survsvm.reg)
pred.survsvm.reg <- predict(object = survsvm.reg,
                            newdata = veteran, subset = test.index)


# load distr6
library(distr6)

# create a vector of normal distributions each with
# mean as the predicted time and with variance 1
# `decorators = "ExoticStatistics"` adds survival function
v = VectorDistribution$new(distribution = "Normal",
                       params = data.frame(mean = as.numeric(pred.survsvm.reg$predicted)),
                       shared_params = list(var = 1),
                       decorators = "ExoticStatistics")
# survival function evaluated at times = 1:10
v$survival(1:10)
# plot survival function for first individual
plot(v[1], fun = "survival")
# plot hazard function for first individual
plot(v[1], fun = "hazard")