### 使用Python实现Cox比例风险模型的ROC曲线、DCA曲线和校准曲线绘制 以下是基于Python实现绘制Cox比例风险模型的ROC曲线、DCA曲线和校准曲线的代码示例： --- #### ROC 曲线绘制 ```python from lifelines import CoxPHFitter import numpy as np import pandas as pd from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt # 假设数据已加载到DataFrame df 中，包含 'duration', 'event' 和特征列 cph = CoxPHFitter() cph.fit(df, duration_col='duration', event_col='event') # 获取预测的风险分数 df['predicted_risk'] = cph.predict_partial_hazard(df.drop(columns=['duration', 'event'])) # 计算ROC曲线 fpr, tpr, _ = roc_curve(df['event'], df['predicted_risk']) roc_auc = auc(fpr, tpr) plt.figure(figsize=(8, 6)) plt.plot(fpr, tpr, label=f"AUC = {roc_auc:.2f}") plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('ROC Curve for Cox Proportional Hazards Model') plt.legend(loc="lower right") plt.show() ``` 这部分代码使用 `lifelines` 库中的 `CoxPHFitter` 来拟合Cox模型，并通过 `sklearn.metrics.roc_curve` 函数计算并绘制ROC曲线[^1]。 --- #### DCA 曲线绘制 ```python from pydca import dca # 数据准备：假设目标变量为 'event'，预测概率存储在 'predicted_risk' dca_results = dca( outcomes=df['event'], risks=df['predicted_risk'], thresholds=np.linspace(0, 1, 100), prevalence=None, harm=0 ) fig, ax = plt.subplots(figsize=(8, 6)) ax.set_title("Decision Curve Analysis (DCA)") ax.set_xlabel("Threshold Probability") ax.set_ylabel("Net Benefit") for key, value in dca_results.items(): if isinstance(value, list): # 只绘制净收益曲线 ax.plot(np.linspace(0, 1, 100), value, label=key) ax.axhline(y=0, linestyle="--", color="gray") # 添加零基线 ax.legend() plt.show() ``` 这里借助第三方库 `pydca` 实现了DCA曲线的绘制。如果未安装该库，可以通过命令 `pip install git+https://github.com/evaluator/pydca.git` 安装[^3]。 --- #### 校准曲线绘制 ```python import seaborn as sns def calculate_calibration(dataframe, bins=10): dataframe['risk_bin'] = pd.qcut(dataframe['predicted_risk'], q=bins, duplicates='drop') grouped = dataframe.groupby('risk_bin').agg({'predicted_risk': ['mean'], 'event': ['mean']}) return grouped.reset_index() calibration_data = calculate_calibration(df) sns.regplot(x='predicted_risk', y='event', data=calibration_data, ci=None, line_kws={'color': 'red'}) plt.scatter(calibration_data['predicted_risk']['mean'], calibration_data['event']['mean'], s=50, alpha=0.7) plt.xlabel('Predicted Risk') plt.ylabel('Observed Frequency') plt.title('Calibration Curve for Cox Proportional Hazards Model') plt.grid(True) plt.show() ``` 此部分实现了校准曲线的绘制逻辑。具体来说，通过对预测值分箱并比较每组的实际发生率与预测发生率来构建散点图[^4]。 --- ### 总结 上述方法分别介绍了如何在Python中利用不同工具完成Cox比例风险模型下的三种核心评估图形——ROC曲线、DCA曲线和校准曲线的绘制工作流程。这些图表能够帮助研究者全面理解模型的表现特性及其临床实用性。