冲击肿瘤生存类高分 SCI 的"方法学门面三件套"：RMST 阴影图 + Landmark HR 曲线 + 条件生存 nomogram——SeerSurvivalR 一行代码全出

要做肿瘤生存类高分 SCI 论文？只靠 KM+Cox 不够。RMST 阴影 KM、Landmark HR 曲线、条件生存 nomogram这 3 张图，是冲击高分生存类数据库（SEER、TCGA、NCDB）方法学段的"标配"。配齐这 3 件套，方法学段直接立住，没配齐的论文基本被审稿人打回返修。

一句话先抛结论

这 3 个方法单独用任何一个都能让论文从 3 分迈进 4 分门槛；3 个都用 = 方法学段落直接碾压多数审稿人。

💡 一句话记住：RMST 给数字、Landmark 控偏倚、条件生存给患者用——三个方法都不是画一张图的事，是论文方法学段落的"门面三件套"。

方法 1｜RMST（限制平均生存时间）

做什么：在指定时间 τ 之内，A 组比 B 组平均多活多少个月（不是 HR，是带单位的"差值"）。

用在什么场景：

• 当两条 KM 曲线中位生存时间相同（HR = 1）但长期拖尾不一样（A 组有 20% 长尾活到 10 年），传统 Cox 报 HR=1 没差异，审稿人立刻质疑
• 临床医生 / 患者最关心具体多活几个月，HR 听不懂，RMST 直接给"多活 2.3 个月"这种话
• JAMA、Lancet Oncology、Annals of Oncology现在统计审稿人强推这种

真实发表案例：Durer et al.Cancer Res Commun2026，PMID [41334888](https://pubmed.ncbi.nlm.nih.gov/41334888/)

7 项 ES-SCLC 一线 ICI 试验 IPD meta 分析（n = 1,766）。HR 法结果：OS pooled HR = 0.73（0.68-0.79）；RMST 法结果：pooled RMST gain =1.98 months（1.38-2.58）。两方法方向一致，但 RMST 给出"具体多活几个月"，临床可直接翻译给患者。

图 1：A) Durer 等 2026 - OS RMST forest plot（PMID 41334888,Cancer Res Commun）。pooled RMST gain = 1.98 months (95% CI 1.38-2.58, I² = 0%)，对应 pooled HR = 0.73（Figure 3）。HR 给"风险降低"是比例，RMST 给"具体多活多久"是数字——RMST 才能直接告诉患者"你大概多活 2 个月"。同一试验池（n=1,766），两个度量角度。

7 trials OS pooled HR 0.73 vs pooled RMST gain 1.98 月：同一组数据，两种解读——这就是为什么越来越多期刊要求 RMST。

SeerSurvivalR 实测：胃癌 Grade 1-2 vs 3-4，60 个月 RMST 阴影 KM

我们用 SeerSurvivalR 在 11 万 SEER 胃癌患者上跑了同样的 RMST 分析（JCO_rmst_km_plot，τ = 60 月），下面是代码实测输出——不是示意图。

图 2：SeerSurvivalR 3.5 实测 - Grade 3-4 vs 1-2 在 60 个月内 RMST 差异 8.31 个月（95% CI 7.98-8.64，P<0.001）。阴影部分就是两组 RMST 差对应的生存时间面积，肉眼能直接看出"低级别人群平均多活 8 个月"。

示例代码（基于SeerSurvivalR3.5）

library(SeerSurvivalR) # tau = 60 个月（5 年） p_rmst <- JCO_rmst_km_plot( data = seer_stomach, time_col = "time", status_col = "status", group_col = "Grade_bin", tau = 60 ) # 出图：打印 + 保存 print(p_rmst$plot) ggsave("fig_rmst_shadedKM.png", p_rmst$plot, width = 10, height = 7, dpi = 150)

回答审稿人问题："两组 HR 接近，但临床实际差多少？"—— 直接给具体月份。

方法 2｜Landmark 分析

做什么：选定一个时间点 τ 作为"新起点"，把已经活到 τ 的患者重新设基线，规避immortal time bias（不死时间偏倚）。

用在什么场景：

• 治疗组和对照组做"手术 vs 不手术"比较——能活到术后 1 年的本身就是"筛选过的人"，普通 KM 把早期术后死亡错误归类
• 新辅助化疗 vs 术后化疗：从诊断时间算死亡会被 immortal time 污染；Landmark 从手术日重新算
• 任何"暴露发生在诊断后某段时间"的研究，Landmark 几乎是审稿必问项

真实发表案例 1：Li et al.J Cardiothorac Surg2026，PMID [41987194](https://pubmed.ncbi.nlm.nih.gov/41987194/)

157 例 III-IV 期肺恶性瘤，ablation vs laser excision，PSM 后 60-day Landmark 分析：剔除早期治疗相关死亡后，multivariable Cox HR = 0.56（0.34-0.93, p=0.025），LE 优势在 Landmark 后仍稳健。这篇文章能发，关键就是做了 Landmark sensitivity analysis 把 immortal time 堵住。

图 3：Li 等 2026 - PSM 后 Kaplan-Meier 曲线（PMID 41987194）。p = 0.048，提示 ablation 组生存劣于 laser excision 组。该论文不仅做 PSM，还做了 60-day Landmark（图未显示）作为 sensitivity analysis，对照 immortal time。

图 4：Li 等 2026 - PSM 后 multivariable Cox 森林图（PMID 41987194）。Ablation 多变量 HR = 0.52，P = 0.011，方法学段就是这种 Cox + Landmark 组合。

SeerSurvivalR 实测：胃癌 Grade 连续 Landmark，HR 随时间下降曲线

我们用 SeerSurvivalR 在 11 万 SEER 胃癌患者上跑了连续 Landmark 分析（τ = 12/24/36/48/60 月，共 5 个时间点）——每个 τ 跑一次 Cox，看 Grade 3-4 vs 1-2 的 HR 怎么随时间变。

图 5：SeerSurvivalR 3.5 实测 - HR 随 Landmark 时间变化曲线。12 月时 HR = 1.30，60 月时 HR = 1.04，早期 HR 显著升高、晚期趋向 1——这意味着 Grade 对死亡风险的影响"集中在前 3 年"，熬过 3 年的患者 grade 已不重要。这是审稿人最难看到的"时间依赖性"洞察，传统 Cox 给不出。

示例代码（基于SeerSurvivalR3.5）

library(SeerSurvivalR) # 单 τ Landmark Cox res <- landmark_cox_analysis( data = seer_stomach, time_var = "time", event_var = "status", covariates = c("Grade_bin", "Age_num", "Sex_bin"), landmark_time = 12, export_csv = FALSE, print_results = TRUE ) # 输出 before / after 双套 HR——after 更稳健才是 Landmark 的价值 # 连续 Landmark：每个 τ 都跑一次 Cox cont <- continuous_landmark_analysis( data = seer_stomach, landmark_times = c(12, 24, 36, 48, 60), formula_str = "Surv(time, status) ~ Grade_bin + Age_num + Sex_bin", covariate_of_interest = "Grade_bin" ) # 出 HR 随时间变化曲线 p_hr <- plot_landmark_hr_curve( results = cont, title = "Grade 3-4 vs 1-2 HR 随 Landmark 时间变化", y_limits = c(0.5, 2.5) ) print(p_hr)

回答审稿人问题："你这些治疗组里有早期死亡/早期换组的患者，处理了吗？"—— 直接拿 Landmark before/after 对比。

方法 3｜条件生存（Conditional Survival, CS）

做什么：算CS(t2 | t1)——已经活到 t1 年的患者，再活 t2 年的概率是多少。

用在什么场景：

• 患者最有共鸣的问题："医生，我已经熬过术后 1 年，以后还能活多久？"普通 KM 给不出
• 癌症慢性病化的当下（甲状腺、乳腺、前列腺 5 年生存率 90%+），CS 是"长期管理"的核心统计工具
• JNCI、Cancer、EJC在乳腺癌、结直肠癌、甲状腺癌论文中频繁出现

真实发表案例：Zhang et al.Transl Cancer Res2026，PMID [42305490](https://pubmed.ncbi.nlm.nih.gov/42305490/)

1,552 例原发性乳腺淋巴瘤（PBL），3/5/10 年总生存率分别为 85%/77%/58%。CS 分析：活过 9 年再活 10 年的概率 =95%；刚诊断的患者 10 年 OS 仅 58%；AHR 第 1 年高峰 8.05% 后逐年下降，3 年后趋于平稳——CS 给出"熬过 3 年就基本没事"的患者关键答案。

图 6：Zhang 等 2026 - PBL 条件生存曲线族（PMID 42305490）。左：已活到 X 年的人在接下来 Y 年里的条件生存概率；右：9×10 概率矩阵，每格颜色代表概率。10-year CS：起诊断时 58%，活过 9 年后再活 10 年 = 95%——42% 差额就是"熬过 9 年"换来的。

图 7：Zhang 等 2026 - PBL CS-Nomogram（PMID 42305490）。这不是传统 Nomogram！这种 Nomogram 的每一行 "10-year CS(9|1) probability" 都是时间条件概率，横跨 9 行——让预测"动态化"。顶刊最爱这种把 CS 嵌入 Nomogram 的图，因为它直接告诉患者"按你的情况，熬到 X 后再活 Y 的概率"。

SeerSurvivalR 实测：胃癌条件生存曲线 + 概率表 二合一图

我们用 SeerSurvivalR 在 11 万 SEER 胃癌患者上跑了conditional_survival_risk_curve()——一张图 = 上半部分曲线族 + 下半部分 6×6 概率矩阵，正是上面 Fig 6 文献版式的"自家复刻"。

图 7-补：SeerSurvivalR 3.5 实测 - 条件生存 + 概率表二合一图。上：给定已活到 X 年，未来 Y 年条件生存概率曲线族；下：6×6 概率矩阵精确数值。读法：第 2 行第 4 列 = 73%，意思是"已活到 1 年的患者，再活 3 年的概率是 73%"。

SeerSurvivalR 实测：胃癌 CS 嵌入列线图

再用 SeerSurvivalR 的generate_nomogram_with_cs()在同一份数据上跑了直接把 CS 嵌进 Cox 列线图——正是上面 Fig 7（Zhang PBL）那种"CS-Nomogram"的自家复刻。

图 7-补 2：SeerSurvivalR 3.5 实测 - CS 嵌入 Cox 列线图（仿真 Zhang PBL Fig 7 风格）。模型变量：Grade_bin / Age_num / Sex_bin；底部 6 行：3 行普通生存率 + 3 行条件生存率。临床用法：患者总分算出来→沿 6 条概率线分别读出"1/3/5 年总生存率 + 熬过 1 年后再活 1/2/4 年的条件生存概率"。

SeerSurvivalR 实测：胃癌条件生存曲线族

我们在 11 万 SEER 胃癌患者上跑了同样的 CS 分析——输出的是真实数据曲线，不是示意图。

图 8：SeerSurvivalR 3.5 实测 - 胃癌患者条件生存曲线族。彩线按"已活到 X 月"分层（X = 0/12/24/36/48/60）。随着 X 增大（已熬过更长时间），条件生存曲线越来越"平"，意味着后期死亡风险越来越低——这是"熬到一定时间就基本没事"的视觉证明。

示例代码（基于SeerSurvivalR3.5）

library(SeerSurvivalR) library(survival) # 1) 先拟合 KM km <- survfit(Surv(time, status) ~ 1, data = seer_stomach) # 2) 条件生存曲线族 p_cs <- plot_conditional_surv_curve( km_fit = km, at = seq(0, 60, 12), main = "胃癌患者条件生存曲线", xlab = "未来生存时间 (月)", ylab = "条件生存概率" ) print(p_cs) # 3) 把 CS 嵌入 Cox 列线图（顶刊最爱看的"动态预测"） cox <- cph(Surv(time, status) ~ Grade_bin + Age_num + Sex_bin, data = seer_stomach, x = TRUE, y = TRUE, surv = TRUE) nom <- generate_nomogram_with_cs( cox_model = cox, surv_times = c(1, 3, 5), cs_times_list = list(c(1, 2), c(1, 3), c(1, 5)), funlabel = c("1-year", "3-year", "5-year", "CS(2|1)", "CS(3|1)", "CS(5|1)"), xfrac = 0.25 ) plot(nom, xfrac = 0.25)

回答审稿人问题："熬过难熬期后，这群患者实际命运如何？"—— 直接用 CS(5|3) 给具体数字。

三大方法投稿排版：发 SCI 加多少分？

只做"4 件套"（KM + Cox + PSM + 竞争风险）已经到 4 分。如果你想挤进 5 分期刊（>5 IF），这 3 个高阶方法至少要做 2 个——多数审稿人一看方法学段就心里有数。

三大方法回答审稿人 5 类问题

不会用这 3 个方法的 4 个真实坑

1. PH 假设不检验就跑 Cox— Cox 的前提是"风险比不随时间变"，不跑cox.zph()的话 HR 是错的；如果违规，要么用Landmark 分段，要么换 RMST
2. Landmark 没说 τ 为什么选 τ— τ 必须有临床意义（如术后 1 年是新辅助化疗完成时点），不能拍脑袋；τ 还应该 ≤ 中位随访时间，避免大量删失
3. CS 的 at 超过观察范围—at最大值不能超过最大观测生存时间；SEER 胃癌最长 227 月，你 at 设 300 月直接报错
4. RMST 的 tau 设太大— tau > 实际随访长度时差值会被删失稀释变得不可靠；一般选 中位随访 × 0.8 或 5 年 / 10 年

本篇 takeaway + 行动 CTA

RMST 给数字、Landmark 控偏倚、条件生存给患者用——这 3 个方法是 4 分 SCI 的"基线工具"、5 分 SCI 的"入场券"。做完 4 件套再做这 3 个，方法学段落直接立住，审稿人没得挑。

下一步立刻能做的 3 件事：

1. 把 RMST 的 tau 设成 60 / 120 月，3 个 tau 都跑一遍，对比哪个 tau 上 RMST diff 最显著——这就是 Discussion 里要写的"最大获益时间窗"
2. 试试landmark_cox_analysis(data, landmark_time = 12)，对比 Landmark 前后 HR 变化——变化大说明 immortal time 偏倚严重，Discussion 第一段就能写
3. 把条件生存曲线输出在列线图上（generate_nomogram_with_cs），回邮件给导师看，他会立刻让你加进论文

附、对应三大分析的小工具：SeerSurvivalR 函数速查

SeerSurvivalR 3.5把上面三种分析做了一行代码封装，仅按"RMST / Landmark / 条件生存"三块组织：

RMST 模块（7 个函数）

• rmst_analysis()— 单个 tau 的 RMST 差异分析（未调整 / 调整）
• rmst_table_unadjust()— 未调整 RMST 多时间点 Word 表
• rmst_table_adjust()— 调整后 RMST 多时间点表 + 自动生存曲线
• JCO_rmst_km_plot()— JCO 风格 KM + RMST 阴影面积图（本篇 Fig 2 用这个）
• jco_rmst_survival_curve()— 单组 RMST 曲线 + RMTL
• rmst_waterfall_plot()— RMST diff 瀑布图（多 tau 对比）
• rmst_psi_plot()/rmst_psi_threshold_table()— 预后指数辅助

Landmark 模块（5 个函数）

• landmark_cox_analysis()— 单个 τ 的 Landmark Cox（输出 before/after 双表）
• landmark_survival_KM()— Landmark KM 曲线
• continuous_landmark_analysis()— 连续 Landmark（多个 τ 各跑一次 Cox，本篇 Fig 5 用这个）
• plot_landmark_hr_curve()— HR 随 τ 变化曲线（本篇 Fig 5 用这个）
• landmark_hr_table()/plot_landmark_hr_comparison()— 横向对比

条件生存模块（4 个函数）

• plot_conditional_surv_curve()— CS(t2|t1) 条件生存曲线（本篇 Fig 8 用这个）
• generate_conditional_survival_table()— 多 t1 / t2 条件生存概率表
• conditional_survival_risk_curve()— 条件生存曲线 + 概率表 二合一（本篇 Fig 7-补 用这个，正是用户说的"那种图 + 表格集合"）
• generate_nomogram_with_cs()— 把 CS 嵌入 Cox 列线图（本篇 Fig 7-补 2 用这个；复刻 Zhang PBL Fig 7 结构）

安装：install.packages("SeerSurvivalR_3.5.0.zip", repos = NULL, type = "source")

📌 一句话总结：KM + Cox + PSM + 竞争风险 = 3 分方法学基线；再加RMST + Landmark + 条件生存= 4 分 SCI 的方法学门面，5 分 SCI 的入场券。SeerSurvivalR 3.5把这 3 类高阶分析都做了一行代码封装，跑完 4 件套再做这 3 个，等于把审稿人想问的"方法还有什么补充"全部提前堵死。