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？答案

【问题标题】：Similar to cox regression hazard model, can we get survival curves and hazard ratios using survivalsvm?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？
【发布时间】：2021-01-27 00:41:47
【问题描述】：

我是一名初学者，正在尝试使用机器学习对肺癌数据集进行生存分析。我知道如何使用 Cox 比例风险模型进行生存分析。 Cox 比例风险模型为我们提供了风险比，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。作为初学者，我正在尝试 R 语言中的survivalsvm。请参阅link。我正在使用内置的癌症数据进行生存分析。以下是 R 代码，在 link 处给出。

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)

谁能帮我得到这个数据集的风险比或生存曲线？另外，如何解释这个函数的输出

【问题讨论】：

标签： r machine-learning svm survival-analysis hazard

【解决方案1】：

这个问题现在有点老了，但我还是要回答，因为这是一个难题，而且我第一次使用 {survivalsvm} 时遇到了困难。

因此，根据 type 参数，您会得到不同的输出。在您的情况下，type = "regression" 表示您正在绘制 Shivaswamy 的（希望我拼写正确）SVCR，它预测事件发生的时间，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，假设您认为生存时间与N(mu, sigma) 呈正态分布。然后你可以使用你的预测生存时间作为mu，并预测或假设sigma。

以下是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")

【讨论】：