下面,我们一起来看一下如何绘制动态Nomogram图给文章增添新的色彩。
1. R包与数据准备
1.1 读取R包
library(survival)
library(foreign)
library(rms)
在正式构建Nomogram图前,我们需要首先使用survival包构建Cox回归模型。
1.2 读取数据
rt <- read.table("clinical.txt", header=T, sep="\t", check.names = F, row.names = 1)
str(rt) #查看数据结构
随后,读取相应的数据内容,并使用str()函数查看数据集内的内容。可以看到,结果显示,其中包括296个观测,8个不同的变量内容,包括生存时间(futime),生存状态(fustat),以及相应的临床信息(性别,分期,T分期,M分期,N分期和风险等级)。
###因子转换
rt$gender <- factor(rt$gender,labels=c("F", "M"))
rt$stage <- factor(rt$stage,labels=c("Stage1", "Stage2", "Stage3", "Stage4"))
rt$T <- factor(rt$T,labels=c("T1", "T2", "T3", "T4"))
rt$M <- factor(rt$M,labels=c("M0", "M1"))
rt$N <- factor(rt$N,labels=c("N0", "N1", "N2", "N3"))
rt$risk <- factor(rt$risk,labels=c("low", "high"))
同时,根据数据内容,将其中需要用到的分类变量转化为因子形式。
ddist <- datadist(rt)
options(datadist='ddist') #使用函数datadist()将数据打包
2. 构建Cox模型
数据准备完成后,接下来需要对数据进行拟合,构建Cox比例风险模型。
f <- coxph(Surv(futime, fustat) ~gender + stage +T + M + N + risk, data=rt)
summary(f)
在此,使用survival包的coxph()函数对数据进行拟合建模。通过summary()函数,查看最终的模型结果。
接下来,我们将分别使用三种不同的R包来分别绘制Nomogram图。
3. 基于regplpot包绘制交互式列线图模型
#install.packages("regplot")
library(regplot)
首先,使用regplot包来绘制交互式的Nomogram图。
regplot(f,
plots = c("density", "no plot"),
observation=rt[12,],
failtime = c(1, 2, 3), prfail = TRUE )
使用regplot()函数绘制交互式Nomogram图。
通过plot参数设定展示形式,以指定变量图的类型。其中,plots = c(“ density”,“ boxes”)为默认形式,且针对因子的第二个内容必须为"no plot", "boxes","bars" 和"spikes"中的其中一个。
同时,通过observation参数来指定展示其中第12个患者TCGA-VQ-A8PB的相关信息。
结果显示,在图中红色点代表第12个患者对应的临床信息,而且经过模型预测,该患者所对应的Total score为1.02分,1年内死亡率为0.114,2年内死亡率为0.26,3年内死亡率为0.319。
4. 基于DynNom包绘制模型
#install.packages("DynNom") #安装包
library(DynNom)
##注意,数据框的名字不要用data,会报错(遇到过这一问题dat = data也会报错,必须dat = as.data.frame(data))
# install.packages("DynNom") #安装包
# ?DynNom
dat = as.data.frame(data)
library(DynNom)
cox <- cph(Surv(survival_time, status)~age +sex+race,surv=T,x=T, y=T,data=dat)
DynNom(cox,data=dat)
随后,我们来看下如何使用DynNom包来快速绘制动态Nomogram图。
DynNom(f, rt)
使用DynNom()函数可以快速完成动态模型的构建。
接着,我们将患者TCGA-VQ-A8PB的相关信息输入进去,其中gender为F,stage为Stage2,T为T3,M为M0,N为N0,risk为high;点击Predict,得到相应的预测生存可能性。
网页部署
以上生成的动态列线图依赖于R和Rstudio,通过以下步骤才能部署到网页中。
1、注册shinyapp账号
进入https://www.shinyapps.io/注册账号
2、将http://shinyapps.io云账户关联至Rstudio(在R studio运行下述代码)
install.packages('rsconnect')
library(rsconnect)
进入账号,点击Account—Tokens-show,复制粘贴到Rstudio中并运行(个人账号已处理)
setAccountInfo(name='mylogistic2',
token='A124917D803DE957B77394FFFF92B37E',
secret='yXQohompt0CIL****LD8+9j8WE+K/w')
3、制作动态列线图
DNbuilder(fit2)
运行完之后,会在工作目录文件夹内出现一个新的文件夹(DynNomapp),内含ui.R、server.R、global.R、functions.R、data.Rdata和 README.txt 等文件;
关掉 Rstudio,打开 ui.R 或 server.R,点击右上角的 Run APP,你会得到一个右上角有 Publish 的 Dynamic nomogram.
#此时,可以通过点击 Publish 上传上述文件,
点击Publish等待完成部署。部署完成后会弹出一个网页。复制网址就可以粘贴在论文中或发给其他人使用。
也可以运行如下语句:
deployApp(appName = “Dynamic_nomogram”)
5. 基于shinyPredict包绘制模型
#install.packages("shinyPredict") #安装包
library(shinyPredict)
除了DynNom包外,还可以使用shinyPredict包进行动态Nomogram图的绘制。
shinyPredict(models=list("Model 1"= f),
data= rt[, c("futime", "fustat", "gender", "stage", "T", "M", "N", "risk")],
path = "./result/",
title="Predicting Nomogram")
在shinyPredict()函数中,通过models参数对需要可视化的模型进行指定,data参数则需要赋予用于预测的数据框格式的数据内容,path参数为保存的路径。运行以后,可以在名为result的文件夹下看到三个不同的文件。
点击文件“app.R”,使用RStudio软件直接打开构建得到的预测模型。
点击右上角的Run App,即可启动相应的App。