R教程：教你绘制5种类型的诺莫图 (列线图)

作者：墨点星沟；审核：王九谊

在预测模型中，我们常能见到诺莫图 (Nomogram，也称列线图)的身影，其作为预测模型可视化的一个重要手段，使得预测模型更具可操作性和实用性。

目前，我们常用的诺莫图有如下5种类型：线段式的静态诺莫图、彩色条带式的静态诺莫图、基于regplot 的动态诺莫图、基于DynNom 的动态诺莫图和基于 shinyPredict 的动态诺莫图。

本文以诺莫图绘制的主要代码与过程演示为主，而有关诺莫图的简介，大家可以回顾医咖会的往期推文（教你用R 画列线图，形象展示预测模型的结果)，这里便不作过多介绍。接下来，本文将以 logistic 预测模型为例，对不同类型诺莫图的 R 语言实现做一个汇总，给大家提供一套丰富多彩的诺莫图解决方案。

数据介绍

本次演示所用的案例数据来源于 SEER 数据库，研究目的是构建预测宫颈癌患者淋巴结转移的诺莫图，所涉及的变量有年龄 (Age)、组织学类型 (Hist_type)、组织学分级 (Hist_stage)、肿瘤数目 (Tumor_number)、肿瘤大小 (Tumor_size)、淋巴结转移 (Status) 等。

经过纳入排除，最终用于分析的观测行有 8749 行。鉴于样本量较大，我们采用了TRIPOD （Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis，用于个体预后和诊断的多变量预测模型的透明报告）中给出的 Type 2a 方案进行预测模型的建立与验证。先按照 7:3 的比例，将数据集随机划分为训练集和验证集。训练集、验证集的数据概况如下：

建立预测模型

接着用训练集构建模型（预测因子筛选、多因素logistic模型构建），具体过程不在这里详述了。经过模型验证、评价及调整，最终得到的预测模型中包含了年龄、组织学类型、组织学分级、肿瘤数目这4 个变量。

由于构建线段式静态诺莫图的nomogram函数更易识别lrm函数构建的模型，因此这里先以lrm函数构建模型（注：下文所用的glm与lrm构建的二元logistic模型结果是一致的）。所构建的最佳logistic预测模型的概况如下所示：

绘制诺莫图

在得到最佳的预测模型后，我们便可以开始绘制预测模型的诺莫图。

1. 线段式静态诺莫图

线段式静态诺莫图是我们在文章中最常见到的，也是最常用的。因其用线段和对应的分值来形象地刻画结局发生概率，所以我们更习惯称之为列线图。

Figure 1. 线段式静态诺莫图

这里我们玩个小花样，向下延长Points轴的刻度，使得每个变量有一个粗略的Points参考，代码和图如下：

Figure 2. 改良版线段式静态诺莫

2.彩色条带式静态诺莫图

目前绘制该诺莫图的程序包（VRPM）已经无法直接通过install.package函数安装，但可以通过网站下载安装包后手工安装，下载安装步骤如下：

下载安装包(下载链接https://cran.r-project.org/src/contrib/Archive/VRPM/) →打开Rstudio→点击菜单栏中的Tools→在弹窗的Install from中选择“Package Archive File (.zip; .tar; .gz)”→点击Browse，选择压缩包→点击Install。

同时这里给大家提供一个网盘链接：

(链接：https://pan.baidu.com/s/1W0V7Rp-byBXY6cE6Ssh2Og , 提取码：p6yw）

与线段式静态诺莫图不同的是，该彩色诺莫图绘制成功后，会直接保存在工作路径文件夹中，不在Rstudio中显示。图中各条带的颜色为渐变色，有 5 种颜色方案备选。另外，对于不同的诺莫图绘制函数，其所识别的建模函数会有所差别，大家可以根据其帮助文档具体选择lrm或glm，这里建模使用的是glm函数。彩色诺莫图见Figure 3，代码及过程如下：

Figure 3. 彩色条带式静态诺莫图

简单地介绍一下彩色诺莫图的使用，和列线图的用法基本一致，右侧的Color Legend对应的是每个变量的各亚组/不同数值对应的score，四个变量的score相加对应最下面的Score，也就是total score，同时最下面的total score有相对应的Probability。

(注：Color legend对应的是每个变量不同亚组对应的score，比如年龄90岁对应3分，Histology stage的4对应3分。这里颜色为渐变色，取值比较粗糙；相比线段式的列线图，或许只是花哨一点，计算起来，可操作性可能要差一些。下面的概率坐标轴有自己的渐变色，不参考color legend)

3. 线段式动态诺莫图

该诺莫图也可以称为交互式列线图，当在 regplot 函数中将 clickable 设置为 TRUE(clickable = T ) 后，我们就可以在图上点击选择每个变量的不同亚组或不同数值，来看不同特征患者对应的淋巴结转移风险，实现交互功能。另外，还可以选择不同的显示风格（见Figure 4）。代码及过程如下：

Figure 4. 线段式动态诺莫图

在Rstudio中，我们可以点选不同特征，以查看不同特征患者发生结局事件的概率；但以静态图片导出后，显示的是某一患者的特征及对应的结局发生概率，不便宜查看其他特征的患者。而后面要讲到的动态诺莫图与此不同，既可以脱离Rstudio，也可以点选不同特征，实用性和可操作性极强。

4. 基于DynNom的动态诺莫图

这款诺莫图与静态诺莫图（列线图）不同，已基本不具有列线图的样式（线段）；加之是基于shiny开发的网页，因此将其称之为“预测概率网页计算器”或许更加合适。如果说以上介绍的三种诺莫图是纸笔时代的产物，那么下面将要介绍的两种诺莫图应是网络时代的选择。

运行完第 6 步这一句，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 (Figure 5)；

此时，可以通过点击 Publish 上传上述文件，也可以运行如下语句：rsconnect::deployApp(appName = “Dynamic_nomogram”); 接下来的就是等待……部署完成后会弹出一个网页。本次演示所生成的网页动态诺莫图见链接 (https://ww-msdatastudio.shinyapps.io/Dynamic_nomogram/)，截图见Figure 6。

这种诺莫图的使用比较简单，完成网页部署后，通过网址进入后，只需要在相应的变量选项里进行选择，然后点击Predict即会给出相应特征患者的结局发生概率及其95%置信区间。

基于shiny的动态诺莫图，其高级之处也是其最难实现之处：部署到网页上，大家可以按照上述步骤，耐下心来慢慢梳理一遍。另外，这里有两点要特别提醒大家：①建模数据集的名字不能为 data, 否则会报错；②每次使用完后，要记得点击左下方的Quit，否则下次再打开时可能会报错。

Figure 6. 网页版动态诺莫图

(注：这里需要提醒大家：DynNom生成的在线计算器，有个bug，如果前一个使用者结束使用，不点quit，下一个使用者会报错)

5. 基于shinyPredict的动态诺莫图

和基于 DynNom 的诺莫图一样，均需要部署到 shinyapp 中，但 shinyPredict 的功能要比 DynNom 强大一些，不仅可以显示多个模型的诺莫图，还可以更改诺莫图的主题。这里新建立了一个模型 LR3，让 LR3 与 LR2 一起显示在该动态诺莫图中。

运行完第 3 步，会在指定的文件路径中生成 3 个文件，打开名为 app 的文件，点击右上角的 Run app 即可生成该诺莫图，之后的事情就是上传到 shinyapp 生成网页版诺莫图（同样需要先注册shinyapp，然后与Rstudio关联），截图见Figure 7。

Figure 7. 基于shinyPredict的动态诺莫图

(注：基于shinyPredict的诺莫图，由于不适当的使用了选择框，导致使用者可以在一个预测变量里选择两个数值，甚至不选，导致变量值的输入不具唯一性，需要模型使用者额外注意。作为模型开发者，最好可以在shinyPredict提供的诺莫图的基础上，自己进行进一步的优化。)

结束语

以上便是 5 种诺莫图的绘制过程与主要代码，希望能给各位提供些许帮助，其中的更多细节还需要大家在实践中具体学习和摸索。下期将以Cox比例风险模型为例绘制诺莫图。

最后，在这里谈一点个人的认识，对于一个完整的诺莫图绘制或预测模型开发过程，应是先通过训练集建立、验证集验证/评价以及后续的模型调整（增减变量、替换变量、改变已纳入变量类型等）等步骤构建出一个最优的预测模型，然后再将预测模型转化为诺莫图。

从上述步骤我们不难看出，我们所做的验证、评价、调整均是针对预测模型的，而不是针对诺莫图的，诺莫图只是预测模型的一种展现形式；因此在很多文章或推文中提到的对诺莫图的验证、评价等说法，个人认为是值得商榷的。

医咖会面向医生个人、医院/单位、企业提供各种科研服务，包括研究设计、统计分析、EDC系统、科研培训等，详情查看：医咖会可为你提供这些科研服务，助你解决各种科研难题！。快加小咖微信（xys2019ykh）或扫描以下二维码加小咖微信咨询吧。