GLOBOCAN 数据库拆给你看：185 国 36 瘤种怎么发论文，以及 GBD 包如何把它一键转成 GBD 格式

GLOBOCAN 数据库拆给你看：185 国 36 瘤种怎么发论文，以及 GBD 包如何把它一键转成 GBD 格式

上一篇我们拆了 5 篇中国团队的 GBD 肿瘤论文。评论区问得最多的一句是："GLOBOCAN 和 GBD 到底啥关系？我下的那堆 CSV 怎么才能像 GBD 数据那样跑？"

这篇一次说清：先拆 7 张真实论文里的图，看清 4 条已被验证的 GLOBOCAN 选题套路；再讲 GlobalBurdenR 包里那 4 个专门收拾 GLOBOCAN 的函数——把 IARC 官网下的原始 CSV，一路捋成和 GBD 一模一样的八列长格式。

一、先把两个库的关系摆平

很多人第一次做全球肿瘤负担，会在 GLOBOCAN 和 GBD 之间反复横跳。其实这两个库根本不冲突，它们回答的是两个不同的问题。

图说：左边 GLOBOCAN 由 IARC 出品，覆盖 185 国 × 36 瘤种，底层是各国癌症登记（CI5）的实测数据，但只有一个估计年（现在是 2022）；右边 GBD 由 IHME 出品，204 国 × 1990–2021 连续 32 年，还有 DALYs 和危险因素归因，代价是大量建模插补。一句话记住：GLOBOCAN 定现况，GBD 补趋势。

💡 选库口诀：你的研究问题里如果出现"这三十年怎么变的""多少能归因于吸烟/饮酒"，用 GBD；如果出现"2022 年哪个国家最重""一辈子得这个癌的概率是多少""发达和欠发达差多少"，用 GLOBOCAN。

数字层面感受一下 GLOBOCAN 2022 的体量：Bray 等人 2024 年发在 CA: A Cancer Journal for Clinicians 的官方报告（PMID 38572751）给出，2022 年全球约 2000 万例新发癌症、970 万例癌症死亡；肺癌以近 250 万新发（占全部癌症 12.4%）重回第一，也是死亡首位（18.7%）。这篇报告就是所有 GLOBOCAN 论文的"官方引言弹药库"，写背景时几乎绕不开。

二、套路 1：现况 + 2050 预测 —— 一个瘤种撑起一篇

案例：非霍奇金淋巴瘤 2022 全球格局（PMID 42540595）

这是最典型、也最容易复刻的 GLOBOCAN 结构：先用 2022 数据描述现况，再叠一层人口学预测推到 2045/2050。因为 GLOBOCAN 只有一个年份，"预测"就成了论文增量的主要来源——而且这个预测不需要复杂时间序列模型，只需要把 2022 的年龄别率乘上联合国人口司的未来人口结构。

先看它的主图长什么样：

看图指路：先看主地图的颜色梯度——北美、澳新、西欧是最深一档（ASIR 8.0 以上），撒哈拉以南非洲和南亚是最浅一档；再看四周那 6 个放大插图（加勒比、西欧、东南亚、波利尼西亚等）。

>

拆解：这张图之所以要做放大插图，是因为 GLOBOCAN 覆盖 185 国，里面有大量面积极小的岛国（马耳他、新加坡、密克罗尼西亚……），在全球投影上根本看不见，但它们的 ASIR 往往是极值。审稿人最常提的意见之一就是"你的地图看不见小国"——插图是标准解法。

>

如何用于你的论文：换任何一个瘤种，这张图的结构可以原样复用；GlobalBurdenR 里对应的是 CancerChangeMap() 和 world_map_region() 系列。

再看一张更细节的——同一篇论文的"区域 × 国家"两层级 ASIR/ASMR 点带图：

看图指路：三联子图 A / B / C 分别是双性 / 男性 / 女性的终生发病风险 AAPC（年均变化百分比，2003–2017）。深蓝 = 显著上升（AAPC>0, P<0.05），浅蓝 = 上升但不显著，深红 = 显著下降，浅红 = 下降不显著。

>

拆解：泰国 +4.9% / 白俄罗斯 +4.5% / 爱沙尼亚 +3.8% 三国领涨——这正是 GLOBOCAN 终生风险时间序列分析里最有价值的一手数据。而另一边 美国 -2.3% / 奥地利 -1.9% / 德国 -0.8% 三个发达国家呈显著下降趋势。同样是高 HDI 国家，亚洲发达与欧美发达的肠癌风险轨迹完全相反——这就是为什么 AAPC 三联条形图是 GLOBOCAN 终生风险论文的标配主图。

>

如何用于你的论文：换任何瘤种，先用 GLOBOCAN 的 cumulative risk 算终生风险，再做 AAPC 三联条形图，就同时回答了"现在多大风险"+"过去十年风险升还是降"两个问题。GlobalBurdenR 里对应的是 EAPC_BAR() 和 Joinpoint_aapc()，一行调出来。

⚠️ 易踩的坑：GLOBOCAN 的国家名和 GBD 不一致（比如 <code>Bosnia Herzegovina</code> 少了 <code>and</code>、<code>Türkiye</code> 带特殊字符、法属海外领土单列），直接 merge 会丢掉一批国家还不报错。这正是后面第六节那个函数存在的理由。

三、套路 2：终生风险 —— 把 ASR 换成"一辈子"的说法

案例：185 国结直肠癌终生风险（PMID 42565540）

这条的性价比极高，但国内做的人还不多。逻辑很简单：ASR（年龄标化率，每 10 万人）是给统计学家看的，"一个人一辈子有 4.2% 的概率得结直肠癌"是给所有人看的。GLOBOCAN 天生带 cumulative risk 字段，把它做深就是一篇。

下面这张是 CRC 论文的"区域 × 国家"两层级终生发病风险分布（6 子图 A-F）：

看图指路：上排 A / B / C 是双性 / 男性 / 女性的终生发病风险，下排 D / E / F 是对应的死亡终生风险。每行是一个亚区，红色菱形是该亚区平均值，细竖线是区域内每个国家。蓝色竖线是国别数值。

>

拆解：A 图双性发病终生风险，澳新、北欧、西欧、北美排第一档，平均 3% 左右；非洲亚区整体不到 1%。但 C 图女性 vs B 图男性的行序差异很有意思——女性最高的两组是澳新和北欧，男性最高是澳新和北美，这种性别差本身就是一节讨论。再对比上下两排：发病终生风险高的国家，死亡终生风险并不一定高——典型的"治疗可及性"差距。

>

如何用于你的论文：A–C 三联做发病、D–F 三联做死亡，上下并排放一段：读者一眼看到发病/死亡分布的地理错位。GlobalBurdenR 里对应的是 world_map_region() + EAPC_BAR()。

肺癌是另一篇典型的终生风险论文（PMID 39602315），它做了更细的一个维度——多起始年龄的终生风险曲线：

看图指路：左图 A 是得肺癌的终生概率，右图 B 是死于肺癌的终生概率。5 条曲线分别代表起始年龄为出生 / 40 / 50 / 60 / 70 岁时算到死的累积概率。

>

拆解：5 条线之间的差距告诉你——一个人到 50 岁还没得肺癌，他一辈子的肺癌风险比"出生算"少了约 1.5 个百分点；到 70 岁还没得的，剩余风险只剩约 2%。这条曲线的临床价值就是给筛查年龄划线——如果从 40 岁起筛，成本-效益比最高。

>

如何用于你的论文：把这条曲线放进 Introduction 或者 Discussion 都有用，而且所有 GLOBOCAN 数据都自带 ASR / 累积风险字段，换瘤种就是换 cause 字符串。GlobalBurdenR 里要做这种曲线，用 cumulative_Anals() 系列函数。

再看肺癌终生风险 vs 传统 0-74 累积风险的对比：

看图指路：左图 A 横轴是传统的 0-74 累积风险，纵轴是终生风险；右图 B 是死亡风险。颜色梯度代表国家预期寿命，从 55 岁（深蓝）到 80+ 岁（深红）。

>

拆解：两个散点云都明显偏离 y=x 参考线（虚线），预期寿命越长的国家，终生风险比 0-74 累积风险高得越多——因为 0-74 这个上限忽略了 75 岁以后的新发病例。审稿人最爱问的"为什么你的指标和经典 0-74 累积风险不一样"——一张这样的散点图就能答完。

💡 一句话记住：把同一份数据的指标换掉（ASR → 终生风险 → 多起始年龄终生风险），比把瘤种换掉更容易做出新意。

四、套路 3：HDI 不平等 —— GLOBOCAN 的看家分层轴

案例：全球乳腺癌负担的社会经济不平等（PMID 42482396）

GBD 用 SDI 五档，GLOBOCAN 用 HDI 四档（低 / 中 / 高 / 极高人类发展指数）加 20 个 UN 亚区。这是两个库最容易被搞混、也最能体现"你到底熟不熟这个库"的地方。

看图指路：A 图是得乳腺癌的终生风险，B 图是死于乳腺癌的终生风险。每一行是一个亚区，绿色菱形是该亚区平均值，那些细竖线是区域内每一个国家。

>

拆解：请对比 A、B 两图的行序——A 图排第一的是澳新、西欧、北欧（发病最高），而 B 图排第一的变成了密克罗尼西亚/波利尼西亚，澳新掉到第 5。发病最高的地区，绝不是死亡最高的地区。这就是全球肿瘤负担研究里最经典、也最好写讨论的一句话：高 HDI 地区筛查普及导致检出多，低 HDI 地区治疗可及性差导致死得多。

>

如何用于你的论文：这种"A/B 双图换序对比"是零成本的亮点——你只要把两张图并排放，读者自己就看出结论了。另外注意每行的竖线离散程度：西亚、东亚的国家间差异明显大于西非，这本身又是一段讨论。

论文里还给了一个很好用的细节：AAPC 增长最快的是韩国（5.84%）和日本（5.21%），而英、法、荷、德都低于 1%。东亚快速上升 + 西欧趋于平台，是写讨论时的现成对照组。

五、套路 4：跨国对比 —— GLOBOCAN 数据 + GBD 分解的最佳组合

案例：中国 vs 美国 1990-2020 癌症死亡 4 因子分解（PMID 35143424）

这一套路是真正把 GLOBOCAN 和 GBD 合起来用的范例：用 GLOBOCAN 取 2022 的死亡数据，用 GBD 2019 取 1990-2020 的时间序列，再用 Das Gupta 分解法把死亡变化拆成 4 个因子：人口老龄化、人口规模、年龄别发病率、年龄别病死率。

看图指路：3 联子图分别是双性 / 男性 / 女性，每条曲线对应一个因子。实线 = 中国，虚线 = 美国。紫色人口规模、红色人口老龄化、蓝色年龄别发病率、绿色年龄别病死率。

>

拆解：中美两国 1990-2020 的老龄化曲线（红）几乎重合——这是大势；但人口规模曲线（紫）中国明显高于美国（中国总人口基数大）；病死率曲线（绿）中国是美国的近 3 倍下降幅度——意味着中国过去 30 年在癌症治疗可及性上进步显著。

>

如何用于你的论文：把 GLOBOCAN 当横断面来源、GBD 当时间序列来源，两个库互相补足，论文能写出的讨论厚度是单库的两倍。GlobalBurdenR 里对应的是 decomposition_analysis_sex() 和 decomposition_analysis_location()。

📌 套路 4 的精髓：当单一库的数据"只能描述一面"时，把两个库拼起来，就是 1+1>2 的研究增量。

六、最实际的问题：下载的 CSV 怎么变成能跑的数据

前 4 条套路你都看明白了，真正卡住多数人的其实是第一步。GLOBOCAN 官网（gco.iarc.fr）导出的数据有几个恶心的地方：

GlobalBurdenR 包里有 4 个函数专门解决这 5 个麻烦，串起来就是一条完整流水线：

图说：从官网下载的一堆 CSV 进来，出去的是和 GBD 完全一致的八列长格式（location / val / metric / cause / sex / age / year / measure）。转完之后，包里那 130 多个原本为 GBD 写的函数——世界地图、EAPC、BAPC 预测、ARIMA、集中指数、前沿分析、IF25 与 IF40 系列期刊图——一行都不用改，直接拿来跑 GLOBOCAN 数据。

四个函数各管一段，说人话就是：

① GLOBOCAN_data_read()：整个文件夹一次读进来

指一个目录，它把符合命名规则的 CSV 全部读进来，并且自动从文件名里把 cause、sex、age、year、measure 五个字段解析成列。文件名里写 inc 的自动标成 Incidence，写 mort 的标成 Deaths；both-sexes 标成 Both。你也可以用 pattern 参数只读发病或只读死亡，或者让它返回列表而不是合并的大表。

② GLOBOCAN_rename_columns()：把列名捋顺

不管原表里地区列叫 Label、Country.label 还是 Country，统一改名成 location；Sex 和 sex 同时存在时删掉重复的那个；measure 列里各种写法（inc/i/incidence、mort/mortality/d）统一成 GBD 口径的 Incidence 和 Deaths。

③ GLOBOCAN_location_to_standard()：国名对照表

这个函数内置了一份完整的 185 国映射表，把 GLOBOCAN 的写法翻译成标准名称：补全 Bosnia and Herzegovina、把法属海外领土并回法国本土、把加沙和约旦河西岸映射成巴勒斯坦。没有这一步，你的世界地图上会莫名其妙少一块，而且 R 不会给你任何警告。

④ GLOBOCAN_transform_data_to_GBD()：宽转长，最后一脚

把 Number 和 ASR 两列堆成 GBD 的 val + metric 结构（Number → Number，ASR → Rate），同时做一件很关键的小事：把 "All ages" 这一行的 ASR，年龄标记改成 Age-standardized——这正是 GBD 表示年龄标化率的方式。它还兼容三种情况：只有 ASR、只有 Number、两列都有；Year 和 year 大小写也自动处理。

🚀 为什么这条流水线值得花十分钟搞懂

因为它把 GLOBOCAN 并入了 GBD 的生态。转格式之前，你只能对着 Excel 手动画柱状图；转完之后，包里 130+ 个 GBD 函数瞬间对 GLOBOCAN 可用——你想做的世界地图、区域点带图、终生风险曲线、HDI 散点、IF40 期刊同款配色图，都变成了一次函数调用。

七、把四条套路做成你自己的选题

最后给一张可以直接照着填的表。任选一列的"瘤种"、一行的"套路"，交叉点就是一个能立项的题目：

📌 三条 takeaway 1. GLOBOCAN 定现况、GBD 补趋势，同一个瘤种两个库配合，讨论部分自动变厚； 2. 换指标（ASR → 终生风险 → 多起始年龄）比换瘤种更容易做出新意，且终生风险有天然的临床解释力； 3. 数据整理不是体力活，是格式问题——四个函数把 GLOBOCAN 转成 GBD 长格式后，整个 GBD 分析生态直接复用。

🎯 下一篇想看哪个？

这篇讲的是 GLOBOCAN 的"进门"与"转格式"。接下来可以拆：① 用转好的数据跑一张 IF40 同款世界地图；② 终生风险曲线从零复刻；③ HDI 分层 + 集中指数不平等分析全流程。 想先看哪个，评论区扣个序号；觉得有用的话，点个「在看」+ 转发给正在选题的同门，让更多人少走两周弯路。

本文涉及的真实论文（可直接检索核对）

• PMID 38572751 — Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin, 2024.
• PMID 42540595 — The global landscape of non-Hodgkin lymphoma incidence and mortality in 2022 and predictions to 2045.
• PMID 42565540 — Global landscape and temporal trends in lifetime risk of colorectal cancer in 185 countries.
• PMID 42482396 — Global patterns, temporal trends and socioeconomic inequalities in the burden of breast cancer.
• PMID 39602315 — Global, regional, and national lifetime risk of developing and dying from lung cancer in 2022.
• PMID 35143424 — Cancer statistics in China and United States, 2022: profiles, trends, and determinants.
• PMID 42282122 — Global patterns of upper gastrointestinal cancer incidence by subtype and subsite.