MachineLearning 21. 机器学习之临床医学上的生存分析 (xgboost)-CSDN博客

本文链接：https://blog.csdn.net/weixin_41368414/article/details/136161442

简介

XGBoost是一种强大的机器学习算法，它在许多领域都取得了广泛的应用，包括临床医学。本文将介绍XGBoost模型的原理和概念，并通过一些具体的临床医学实例来展示其在这个领域的应用。

XGBoost模型的原理和概念

XGBoost全称为eXtreme Gradient Boosting，是一种基于梯度提升决策树（Gradient Boosting Decision Tree）的集成学习算法。它在GBDT的基础上进行了改进，引入了正则化项和二阶导数信息，提高了模型的性能和泛化能力。

XGBoost模型的核心思想是将多个弱分类器（决策树）组合成一个强分类器。每个决策树都在前一棵树的残差基础上进行训练，通过不断迭代优化损失函数来逐步减小残差。同时，模型通过控制树的复杂度和正则化项来减少过拟合风险。

模型构建的具体步骤

XGBoost模型的构建通常包括以下步骤：

a). 数据预处理：首先，需要对原始数据进行清洗和预处理。这包括处理缺失值、处理异常值、特征选择、数据标准化等操作。

b). 划分训练集和测试集：为了评估模型的性能，需要将数据集划分为训练集和测试集。通常，80%的数据用于训练，20%的数据用于测试。

c). 参数调优：XGBoost模型中有许多参数可以调整，如学习率、树的数量、树的深度等。通过交叉验证和网格搜索等技术，可以找到最优的参数组合。

d). 训练模型：使用训练集进行模型训练。XGBoost模型会根据损失函数的定义逐步优化分类器，生成多个决策树模型。

e). 模型评估：使用测试集对训练好的模型进行评估。常见的评估指标包括准确率、精确率、召回率、F1值等。

f). 模型应用：一旦模型被训练和验证通过，就可以将其应用于实际临床数据中，进行预测和决策支持。

XGBoost在临床医学中的应用

XGBoost算法在临床医学中有着广泛的应用。以下是一些具体的实例：

a). 疾病诊断：XGBoost模型可以使用患者的临床特征和医学检查结果来预测某种疾病的发生概率。例如，可以利用患者的年龄、性别、血液指标等特征，建立一个XGBoost模型来预测心脏病的风险。

b). 药物响应预测：XGBoost可以通过分析患者的基因信息以及其他关键特征，来预测某种药物对患者的治疗效果。这可以帮助医生选择最适合患者的治疗方案，提高治疗成功率。

c). 生存分析：在肿瘤学中，XGBoost模型可以通过分析患者的临床特征和病理学信息，来预测患者的生存期或复发风险。这有助于医生为患者制定个性化的治疗方案。

d). 医疗资源优化：XGBoost模型可以通过分析大量的临床数据，预测患者的住院时间、手术风险等信息，帮助医疗机构进行资源分配和管理。

XGBoost与随机森林的比较

XGBoost和随机森林都是常用的集成学习算法，它们在处理分类和回归问题时都表现出色。下面是它们之间的一些比较和优劣对比：

a). 模型结构：随机森林由多个决策树组成，每个树独立生成。而XGBoost是将多个决策树串联起来，每个树在前一棵树的残差基础上生成。因此，XGBoost模型具有更强的拟合能力和泛化能力。

b). 可解释性：随机森林可以提供特征的重要性排序，便于理解和解释。而XGBoost在模型复杂度较高时，特征的重要性难以解释。

c). 效果：一般情况下，XGBoost相对于随机森林的效果更好。它能更准确地捕捉数据中的非线性关系和交互作用。

d). 计算效率：相对于随机森林，XGBoost模型需要更多的计算资源和时间，特别是在大规模数据集上。因此，对于小规模数据集或者追求快速训练的任务，随机森林可能更合适。

之前我们有介绍过基于机器学习xgboost软件包中的MachineLearning 9. 癌症诊断机器学习之梯度提升算法（Gradient Boosting)

今天介绍R语言中使用xgboost实现生存分析！！！

软件包安装

if(!require(xgboost))
  install.packages("xgboost")

数据读取

library(xgboost)
library(survival)
library(survminer)
library(sampling)
head(lung)
##   inst time status age sex ph.ecog ph.karno pat.karno meal.cal wt.loss
## 1    3  306      2  74   1       1       90       100     1175      NA
## 2    3  455      2  68   1       0       90        90     1225      15
## 3    3 1010      1  56   1       0       90        90       NA      15
## 4    5  210      2  57   1       1       90        60     1150      11
## 5    1  883      2  60   1       0      100        90       NA       0
## 6   12 1022      1  74   1       1       50        80      513       0
table(lung$status)
## 
##   1   2 
##  63 165
lung$status <- ifelse(lung$status == 2, 1, 0)
lung <- na.omit(lung)  # 去掉NA
set.seed(123)
# 每层抽取70%的数据
train_id <- strata(lung, "status", size = rev(round(table(lung$status) * 0.7)))$ID_unit
# 训练数据
trainData <- lung[train_id, ]
# 测试数据
testData <- lung[-train_id, ]

实例操作

数据格式要设置为xgboost的专用格式，生存分析要注意因变量的设置。直接用Surv是不行的，xgboost中会把生存时间为负值的当做是删失，所以我们设置y时要如下设置：

# 准备预测变量和结果变量
train.x <- as.matrix(trainData[, c("age", "sex", "ph.ecog", "ph.karno", "pat.karno")])
# 设置y，把删失的改成负值
train.y <- ifelse(trainData$status == 1, trainData$time, -trainData$time)

# 放进专用的格式中
trainMat <- xgb.DMatrix(data = train.x, label = train.y)
trainMat
## xgb.DMatrix  dim: 117 x 5  info: label  colnames: yes

选择参数的值

设置xgboost的参数，生存分析需要设置两个主要的参数：

objective = "survival:cox"；
eval_metric = "cox-nloglik"。

参数设置可以参考在线说明：https://xgboost.readthedocs.io/en/latest/parameter.html

param <- list(objective = "survival:cox",
              booster = "gbtree",
              eval_metric = "cox-nloglik",
              eta = 0.03,
              max_depth = 3,
              subsample = 1,
              colsample_bytree = 1,
              gamma = 0.5)

模型构建

构建模型，并在测试集上，计算风险分数：

set.seed(1)
xgb.fit <- xgb.train(params = param, data = trainMat, nrounds = 1000, watchlist = list(val2 = trainMat),
    early_stopping_rounds = 50)
## [1]	val2-cox-nloglik:3.804010 
## Will train until val2_cox_nloglik hasn't improved in 50 rounds.
riskScore <- predict(xgb.fit, newdata = train.x)  # newdata如果是训练集可以获取训练集的风险分数
hist(riskScore)

生存分析

根据风险分数，将其分为两组，并进行生存分析：

# 根group建立生存函数
groups <- ifelse(riskScore>median(riskScore),"high","low")
f <- survfit(Surv(trainData$time, trainData$status) ~ groups)
f
## Call: survfit(formula = Surv(trainData$time, trainData$status) ~ groups)
## 
##              n events median 0.95LCL 0.95UCL
## groups=high 58     52    222     183     285
## groups=low  59     32    567     477     655
ggsurvplot(f,
           data = trainData,
           surv.median.line = "hv", 
           #legend.title = "Risk Group",
           #legend.labs = c("Low Risk", "High Risk"),
           pval = TRUE, 
           ggtheme = theme_bw()
)

计算一致性 C-Index

library(Hmisc)
rcorr.cens(as.numeric(riskScore), Surv(trainData$time, trainData$status))
##        C Index            Dxy           S.D.              n        missing 
##   1.952494e-01  -6.095013e-01   5.288494e-02   1.170000e+02   0.000000e+00 
##     uncensored Relevant Pairs     Concordant      Uncertain 
##   8.400000e+01   1.014600e+04   1.981000e+03   3.416000e+03

可视化变量

从图上我们可以出前几个重要的变量占比几乎达到0.3，这个阈值是在之前grid网格中设置：eta = c(0.01, 0.1, 0.3), #0.3 is default。

impMatrix <- xgb.importance(feature_names = dimnames(train.x)[[2]], model = xgb.fit)
impMatrix
##      Feature      Gain     Cover  Frequency
## 1:       age 0.4117109 0.4324245 0.50605536
## 2:       sex 0.1811799 0.1422414 0.10986159
## 3:  ph.karno 0.1690779 0.1238643 0.09083045
## 4: pat.karno 0.1221485 0.1650383 0.19809689
## 5:   ph.ecog 0.1158828 0.1364314 0.09515571
xgb.plot.importance(impMatrix, main = "Gain by Feature")

模型性能评估

test.x <- as.matrix(testData[, c("age","sex","ph.ecog","ph.karno","pat.karno")])
riskScore <- predict(xgb.fit, newdata = test.x) # newdata如果是训练集可以获取训练集的风险分数
hist(riskScore)

最后就是模型的准确性评估，这里我们使用的是ROCR软件包绘制ROC曲线，如下：

testData$predProb <- predict(xgb.fit, newdata = test.x, type = "prob")
testData$predicted = predict(xgb.fit, test.x)
library(ROCR)
pred = prediction(testData$predicted, testData$status)
perf = performance(pred, measure = "fpr", x.measure = "tpr")
plot(perf, lwd = 2, col = "blue", main = "ROC")
abline(a = 0, b = 1, col = 2, lwd = 1, lty = 2)
text(0.5, 0.5, "C-Index=0.628")

Reference

Tianqi Chen and Carlos Guestrin, "XGBoost: A Scalable Tree Boosting System", 22nd SIGKDD Conference on Knowledge Discovery and Data Mining, 2016, https://arxiv.org/abs/1603.02754