R语言绘制ROC曲线 / 四六文摘

欢迎来到医科研，这里是白介素2的读书笔记，跟我一起聊临床与科研的故事, 生物医学数据挖掘，R语言，TCGA、GEO数据挖掘。

介绍其它用于ROC绘制的R包

library(tidyverse) # for data manipulation

library(pkgsearch)  # for searching packages

找与ROC相关的包

该包会提供一系列关于感兴趣主题的R包，包括他们的评分，作者，连接等等

ps函数等价于pkg_search

size:定义返回结果数量

format="short"返回格式

Sys.setlocale('LC_ALL','C') rocPkg <- pkg_search(query="ROC",size=200) head(rocPkg) class(rocPkg) [1] "C" - "ROC" ------------------------------------- 74 packages in 0.01 seconds - # package version 1 100 pROC 1.15.0 2 44 caTools 1.17.1.2 3 18 survivalROC 1.0.3 4 18 PRROC 1.3.1 5 15 plotROC 2.2.1 6 14 precrec 0.10.1 by @ Xavier Robin 2M ORPHANED 4M Paramita Saha-Chaudhuri<U+000a><paramita.sahachaudhuri.work@gmail.com> 7y Jan Grau 1y Michael C. Sachs 1y Takaya Saito 3M [1] "pkg_search_result" "tbl_df" "tbl" [4] "data.frame"

ROCR包

performance函数计算tpr,fpr

library(ROCR) data(ROCR.simple) df <- data.frame(ROCR.simple) head(df) ## predictions labels ## 1 0.6125478 1 ## 2 0.3642710 1 ## 3 0.4321361 0 ## 4 0.1402911 0 ## 5 0.3848959 0 ## 6 0.2444155 1 pred <- prediction(df$predictions, df$labels) perf <- performance(pred,"tpr","fpr") perf plot(perf,colorize=TRUE)

plotROC包-ggplot绘制ROC曲线

ROC曲线用于评估连续测量的精度，以预测二进制结果。在医学上，ROC曲线用于评价放射学和一般诊断的诊断试验有着悠久的历史。ROC曲线在信号检测理论中也有很长的应用历史。

require(plotROC)

提供网页版操作，为了代码的连贯性，这里不介绍网页版，不可能我们分析到一般导出数据，拿到网页版去操作。

基本用法

set.seed(2529) D.ex <- rbinom(200, size = 1, prob = .5) M1 <- rnorm(200, mean = D.ex, sd = .65) M2 <- rnorm(200, mean = D.ex, sd = 1.5) test <- data.frame(D = D.ex, D.str = c("Healthy", "Ill")[D.ex + 1], M1 = M1, M2 = M2, stringsAsFactors = FALSE) head(test) ## D D.str M1 M2 ## 1 1 Ill 1.48117155 -2.50636605 ## 2 1 Ill 0.61994478 1.46861033 ## 3 0 Healthy 0.57613345 0.07532573 ## 4 1 Ill 0.85433197 2.41997703 ## 5 0 Healthy 0.05258342 0.01863718 ## 6 1 Ill 0.66703989 0.24732453

geom_roc绘图

d为编码1/0, m为用于预测的值marker

注意需要一个disease code,不一定是1/0，但最后选择编码为1/0

如不1/0，则stat_roc默认按顺序最低值为无病状态

basicplot <- ggplot(test, aes(d = D, m = M1)) + geom_roc() basicplot

若diseaase编码非1/0:提示warning但仍能继续

ggplot(test, aes(d = D.str, m = M1)) + geom_roc()

n.cuts参数：展示几个截断点
labelsize: 展示标签的大小
labelround: label值保留几位小数

ggplot(test, aes(d = D, m = M1)) + geom_roc(n.cuts = 5, labelsize = 5, labelround = 2)

修改style-style_roc函数

styledplot <- basicplot + style_roc() styledplot

修改xlab, 主题

basicplot + style_roc(theme = theme_grey, xlab = "1 - Specificity")

multiROC-多因素诊断

meltroc类似于dplyr中的gather。转换数据为长数据，原数据为两列marker

head(test) ## D M name ## M11 1 1.48117155 M1 ## M12 1 0.61994478 M1 ## M13 0 0.57613345 M1 ## M14 1 0.85433197 M1 ## M15 0 0.05258342 M1 ## M16 1 0.66703989 M1 longtest <- melt_roc(test, "D", c("M1", "M2")) head(longtest) table(longtest$name)

## ROC曲线比较 ggplot(longtest, aes(d = D, m = M, color = name)) + geom_roc() + style_roc()+ ggsci::scale_color_lancet()

ggplot2分面

ggplot(longtest, aes(d = D, m = M, color = name)) + geom_roc() + style_roc()+ facet_wrap(~name)+ ggsci::scale_color_lancet()

主题与注释

AUC计算并绘制在图中-calc_auc函数

calc_auc(basicplot)$AUC提取

basicplot + style_roc(theme = theme_grey) + ##主题修改 theme(axis.text = element_text(colour = "blue")) + ggtitle("Themes and annotations") + ## 标题 annotate("text", x = .75, y = .25, ## 注释text的位置 label = paste("AUC =", round(calc_auc(basicplot)$AUC, 2))) + scale_x_continuous("1 - Specificity", breaks = seq(0, 1, by = .1)) ## x刻度 ## Scale for 'x' is already present. Adding another scale for 'x', whi

对multi_ROC注释，实现多个AUC值的呈现，实际上仍然是ggplot2语法中的annotate注释

p<-ggplot(longtest, aes(d = D, m = M, color = name)) + geom_roc(n.cuts = 0) + style_roc()+ ggsci::scale_color_lancet() auc<-calc_auc(p) head(auc) ## PANEL group AUC ## 1 1 1 0.833985 ## 2 1 2 0.679599 p+annotate("text",x = .75, y = .25, ## 注释text的位置 label = paste("AUC of M1 =", round(calc_auc(p)$AUC[1], 2))) + annotate("text",x = .75, y = .15, ## 注释text的位置) label=paste("AUC of M2 =", round(calc_auc(p)$AUC[2], 2)))

其它计算ROC曲线的算法融入

默认的calculate_roc 计算的是 empirical ROC曲线
只要有cutoff, TPF,FPF即可计算，将这些结果以数据框的形式传入到 ggroc 函数
代替默认的统计方法为identity

require(plotROC) require(ggplot2) set.seed(2529) D.ex <- rbinom(200, size = 1, prob = .5) M1 <- rnorm(200, mean = D.ex, sd = .65) M2 <- rnorm(200, mean = D.ex, sd = 1.5) test <- data.frame(D = D.ex, D.str = c("Healthy", "Ill")[D.ex + 1], M1 = M1, M2 = M2, stringsAsFactors = FALSE) head(test) ## D D.str M1 M2 ## 1 1 Ill 1.48117155 -2.50636605 ## 2 1 Ill 0.61994478 1.46861033 ## 3 0 Healthy 0.57613345 0.07532573 ## 4 1 Ill 0.85433197 2.41997703 ## 5 0 Healthy 0.05258342 0.01863718 ## 6 1 Ill 0.66703989 0.24732453 D.ex <- test$D M.ex <- test$M1 mu1 <- mean(M.ex[D.ex == 1]) mu0 <- mean(M.ex[D.ex == 0]) s1 <- sd(M.ex[D.ex == 1]) s0 <- sd(M.ex[D.ex == 0]) c.ex <- seq(min(M.ex), max(M.ex), length.out = 300) ## 构造数据框传入数据 binorm.roc <- data.frame(c = c.ex, FPF = pnorm((mu0 - c.ex)/s0), TPF = pnorm((mu1 - c.ex)/s1) ) head(binorm.roc) binorm.plot <- ggplot(binorm.roc, aes(x = FPF, y = TPF, label = c)) + geom_roc(stat = "identity") + style_roc(theme = theme_grey) binorm.plot

时间依赖的ROC曲线

配合survival ROC包
配合lapply函数实现批量绘图
lappy的结果返回为list，刚好输入do.call

require(ggplot2) require(plotROC) library(survivalROC) survT <- rexp(350, 1/5) cens <- rbinom(350, 1, .1) M <- -8 * sqrt(survT) + rnorm(350, sd = survT)


### 时间2,5,10

sroc <- lapply(c(2, 5, 10), function(t){

  stroc <- survivalROC(Stime = survT, status = cens, marker = M, 

                       predict.time = t, method = "NNE", ## KM法或NNE法

                       span = .25 * 350^(-.2))

  data.frame(TPF = stroc[["TP"]], FPF = stroc[["FP"]], 

             c = stroc[["cut.values"]], 

             time = rep(stroc[["predict.time"]], length(stroc[["FP"]])))

})
## 整合到数据框中

sroclong <- do.call(rbind, sroc)

class(sroclong)

## [1] "data.frame"

head(sroclong)

##   TPF       FPF         c time

## 1   1 1.0000000      -Inf    2

## 2   1 0.9970286 -96.21091    2

## 3   1 0.9940573 -89.13315    2

## 4   1 0.9910859 -80.53402    2

## 5   1 0.9881145 -70.53104    2

## 6   1 0.9851431 -67.81392    2

sroclong$time<-factor(sroclong$time)

## 绘制ROC pROC<-ggplot(sroclong, aes(x = FPF, y = TPF, label = c, color = time)) + geom_roc(labels = FALSE, stat = "identity") + style_roc()+ ggsci::scale_color_jco() pROC

添加注释

pROC+annotate("text",x = .75, y = .25, ## 注释text的位置 label = paste("AUC of 1 years =", round(calc_auc(pROC)$AUC[1], 2))) + annotate("text",x = .75, y = .15, ## 注释text的位置) label=paste("AUC of 3 years =", round(calc_auc(pROC)$AUC[2], 2)))+ annotate("text",x = .75, y = .05, ## 注释text的位置) label=paste("AUC of 5 years =", round(calc_auc(pROC)$AUC[3], 2)))

R语言绘制ROC曲线

plotROC包-ggplot绘制ROC曲线

multiROC-多因素诊断

其它计算ROC曲线的算法融入

时间依赖的ROC曲线

相关推荐