本文首发于“生信补给站”公众号 https://mp.weixin.qq.com/s/lpkWwrLNtkLH8QA75X5STw
生存分析作为分析疾病/癌症预后的出镜频率超高的分析手段，而其结果展示的KM曲线也必须拥有姓名和颜值！
生存分析相关推文：
生存分析和KM曲线：R|生存分析（1）
分析结果一键输出：R|生存分析-结果整理
时间依赖生存分析：R|timeROC-分析
一 载入数据，R包
R-survival包生存分析，R-survminer进行KM曲线展示，我喜欢这个组合。
为了复现方便，使用内置lung数据集
#载入所需的R包 library("survival") library("survminer") #载入并查看数据集 data("lung") 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
二 原生KM曲线
#构建模型 fit <- survfit(Surv(time, status) ~ sex, data=lung) #绘制原生KM曲线 plot(fit)
可以很容易的发现与文献中的差异，部分可优化点：
1）区分两条线的颜色和legend
2）坐标轴，标题，主题优化
3）Risk table
4）P值，OR值，CI值等注释信息
三 KM曲线“美颜”
1 survminer绘制KM曲线
p1 <- ggsurvplot(fit)
p1
呐，线的颜色可以和性别对应起来了，Q1解决！
2 坐标轴，标题，主题优化
p2 <- ggsurvplot(fit, data = lung, surv.median.line = "hv", #添加中位生存曲线 palette=c("red", "blue"), #更改线的颜色 legend.labs=c("Sex1","Sex2"), #标签 legend.title="Treatment", title="Overall survival", #标题 ylab="Cumulative survival (percentage)",xlab = " Time (Days)", #更改横纵坐标 censor.shape = 124,censor.size = 2,conf.int = FALSE, #删失点的形状和大小 break.x.by = 100#横坐标间隔 ) p2
以上基本就完成了KM曲线颜色，线型大小，标签，横纵坐标，标题，删失点等的修改，Q2搞定！
注意：中位生存时间表示50 ％的个体尚存活的时间，而不是生存时间的中位数！
3 Risk Table
p3 <- ggsurvplot(fit, data = lung, surv.median.line = "hv", #添加中位生存曲线 palette=c("red", "blue"), legend.labs=c("Sex1","Sex2"), #标签 legend.title="Treatment", title="Overall survival", ylab="Cumulative survival (percentage)",xlab = " Time (Days)", #更改横纵坐标 censor.shape = 124,censor.size = 2,conf.int = FALSE, break.x.by = 100, risk.table = TRUE,tables.height = 0.2, tables.theme = theme_cleantable(), ggtheme = theme_bw()) p3
注 tables.height可调整为看起来“舒服”的高度
根据risk table 可以看出关键点的当前状态，Q3摆平！
4 添加注释信息
1）添加KM的P值
P4 <- ggsurvplot(fit, data = lung, pval = TRUE,#添加P值 pval.coord = c(0, 0.03), #调节Pval的位置 surv.median.line = "hv", #添加中位生存曲线 palette=c("red", "blue"), legend.labs=c("Sex1","Sex2"), #标签 legend.title="Treatment", title="Overall survival", ylab="Cumulative survival (percentage)",xlab = " Time (Days)", #更改横纵坐标 censor.shape = 124,censor.size = 2,conf.int = FALSE, break.x.by = 100, risk.table = TRUE,tables.height = 0.2, tables.theme = theme_cleantable(), ggtheme = theme_bw()) P4
pval.coord可以调节P值得位置
2）添加COX回归hazard ratio值等相关信息
###添加HR ,CI ,P res_cox<-coxph(Surv(time, status) ~sex, data=lung) p3$plot = p3$plot + ggplot2::annotate("text",x = 50, y = 0.15, label = paste("HR :",round(summary(res_cox)$conf.int[1],2))) + ggplot2::annotate("text",x = 50, y = 0.10, label = paste("(","95%CI:",round(summary(res_cox)$conf.int[3],2),"-",round(summary(res_cox)$conf.int[4],2),")",sep = ""))+ ggplot2::annotate("text",x = 50, y = 0.05, label = paste("P:",round(summary(res_cox)$coef[5],4))) p3
3）添加其他信息
可类似上述annotation得方式，使用ggplot2添加文字，箭头，公式等其他信息，下面为你可能需要的ggplot2的几个知识：
ggplot2|theme主题设置，详解绘图优化-“精雕细琢”
