Pyのscikiti-survival:scikiti-survivalライブラリの概要、インストール、使用方法の詳細攻略

Pyのscikiti-survival:scikiti-survivalライブラリの概要、インストール、使用方法の詳細攻略
 
 
 
目次
scikiti-survivalライブラリの概要
Requirements
scikiti-survivalライブラリのインストール
scikiti-survivalライブラリの使用方法
1、退役軍人管理局肺癌試験
 
 

scikiti-survivalライブラリの概要

scikiti-survivalはscikiti-learnの上に構築された生存分析のためのPythonモジュールである.それはscikit−learnの力を利用して生存分析を行い,例えば前処理や交差検証を行うことができる.scikiti-survival(イベント発生時間または信頼性解析とも呼ばれる)の目的は、コモン変数とイベント発生時間との関連を確立することである.生存分析が従来の機械学習と異なる点は,一部の訓練データが部分的に観察されるしかないことである--それらは審査された.例えば、臨床研究では、患者は通常、特定の期間内にモニタリングされ、この期間内に発生したイベントを記録する.患者が事件を経験した場合、事件の正確な時間を記録することができる-患者の記録は審査されない.これに対して、正確に削除された記録とは、研究期間中に発生しなかった患者のことであり、研究終了後に発生したかどうかは不明である.従って,生存解析はモデルがこのデータセットの独特な特徴を考慮することを要求する. 

Requirements

Python 3.5 or later

cvxpy

cvxopt

joblib

numexpr

numpy 1.12 or later

osqp

pandas 0.21 or later

scikit-learn 0.22 or 0.23

scipy 1.0 or later

C/C++ compiler

 
 

scikiti-survivalライブラリのインストール

pip install scikit-survival conda install -c sebp scikit-survival
 
 

scikiti-survivalライブラリの使用方法

1、退役軍人管理局肺癌試験

from sksurv.datasets import load_veterans_lung_cancer

data_x, data_y = load_veterans_lung_cancer()
data_y

import pandas as pd
pd.DataFrame.from_records(data_y[[11, 5, 32, 13, 23]], index=range(1, 6))


import matplotlib.pyplot as plt
from sksurv.nonparametric import kaplan_meier_estimator

time, survival_prob = kaplan_meier_estimator(data_y["Status"], data_y["Survival_in_days"])
plt.step(time, survival_prob, where="post")
plt.ylabel("est. probability of survival $\hat{S}(t)$")
plt.xlabel("time $t$")


print(data_x["Treatment"].value_counts())

for treatment_type in ("standard", "test"):
    mask_treat = data_x["Treatment"] == treatment_type
    time_treatment, survival_prob_treatment = kaplan_meier_estimator(
        data_y["Status"][mask_treat],
        data_y["Survival_in_days"][mask_treat])
    
    plt.step(time_treatment, survival_prob_treatment, where="post",
             label="Treatment = %s" % treatment_type)

plt.ylabel("est. probability of survival $\hat{S}(t)$")
plt.xlabel("time $t$")
plt.legend(loc="best")


for value in data_x["Celltype"].unique():
    mask = data_x["Celltype"] == value
    time_cell, survival_prob_cell = kaplan_meier_estimator(data_y["Status"][mask],
                                                           data_y["Survival_in_days"][mask])
    plt.step(time_cell, survival_prob_cell, where="post",
             label="%s (n = %d)" % (value, mask.sum()))

plt.ylabel("est. probability of survival $\hat{S}(t)$")
plt.xlabel("time $t$")
plt.legend(loc="best")