医学（和生信）web APP 平台- Appmatrix
最近使用shinyproxy将平时所构建的shiny和streamlit医学类应用汇集在一起，实现一站式访问，另外，使用了自己电脑+内网穿透，一定程度上缓解了数据分析类APP消耗计算资源较大的问题。目前仍然有些不够完善，比如登陆后不能成功跳转，需要手动再输入一次网址才能跳转到主页面，但是基本功能都初步能够实现。
以后努力的方向是构建一个医学（和生信）的web APP平台，实现医学类web APP的一站式访问，成为一个探讨包括医学预测模型等在内的各种web APP的交流平台。目前仅收录了个人的制作的一些APP见附件。
使用流程：用户首先可以通过www.clinicalmodelmatrix.com网站的文章或者此处CSDN的文章初步了解appmatrix平台内APP的简要内容；然后向本人申请体验账号，体验各个APP的功能；最后决定订阅某个APP的话，在APP内向作者购买并添加访问账号（仅能访问订阅的APP和免费的APP）。
访问地址：appmatrix.cpolar.top, 以后不排除通过自定义的网络地址访问。
附：目前平台收录的APP
-
名称：L3 CT 肌体组成检测
描述：使用L3腰椎的CT图片估计全身皮下脂肪、骨骼肌和内脏脂肪的面积，以一千以上CT训练的注意力机制增强的Unet神经网络为核心，构建了群体分析、系列分析、一致性检验和人工检查等四个模块，可以为相关研究收集参数。 -
名称：食管癌远处转移PET/C筛查模型-一个预测模型APP样板（免费）
描述：使用SEER数据训练的堆叠聚合模型（逻辑回归+xgboost）预测食管癌远处转移的概率，DCA确定决策阈值（后续临床措施为PET/CT检查，），两者形成预测模型辅助的临床决策系统， 用于为PET/CT检查筛选高危人群，达到节省费用和提高PET/CT检查阳性率的目的。 -
名称： 变量间关系分析（非COX版）
描述：使用Boruta筛选变量+计算SHAP值+立方样条分析，某变量的SHAP值可以反映该变量对结局变量的贡献，对SHAP值的分析可以在传统变量间关系分析的基础上，提供不一样的视角，且因为SHAP计算的是边际贡献，可以得到一个关键点（SHAP值=0）代表改变量对结局变量贡献方向的变化，比如从良好结局转为恶性结局。 -
名称：变量间关系分析（COX版）
描述：使用Boruta筛选变量+计算SHAP值+立方样条分析，某变量的SHAP值可以反映该变量对结局变量的贡献，对SHAP值的分析可以在传统变量间关系分析的基础上，提供不一样的视角，且因为SHAP计算的是边际贡献，可以得到一个关键点（SHAP值=0）代表改变量对结局变量贡献方向的变化，比如从良好结局转为恶性结局。 -
名称：xgboost超参数调节+后概率校准演示
描述：“辅助临床决策”是目前预测模型的临床定位，其中的一种模式是预测模型提供预测概率，而使用者提供决策阈值，两者共同组成辅助临床决策系统，后概率校准就是改善预测概率的一种措施。本APP使用tidymodels包中提供了两种概率校准的方法实现对客户提供数据的校准。 -
临床决策曲线分析（DCA）决定决策阈值
描述：预测概率搭配决策阈值是实现“辅助临床决策”的主要形式之一，而使用DCA产生的决策阈值是目前最推荐的方法，该APP演示DCA如何决定决策阈值。 -
用quantreg包实现分位数回归
描述：对于医学小样本来说，中位数回归可能是比平均数回归更好的选择，即更好地拟合数据和预测新的数据。本APP演示quantreg包对分位数回归的实现，可以用到变量间相关性分析（SHAP值法）的分析过程中。
