今天跟大家分享的是十一月份发表在Frontiers in Oncology杂志上的一篇文章，主要是基于诺莫图预测I期和II期子宫内膜癌患者的淋巴结转移状态。看到诺莫图，可能有不少小伙伴会感到一头雾水，那究竟什么是诺莫图，我们又该如何将生物信息学分析和诺莫图联系到一起呢？就让我们一起通过今天的这篇文章来寻找答案吧。

诺莫图又称列线图，是把数学公式画成图的表达方法。在实际应用中，诺莫图往往根据回归结果绘制图形，把原本一堆字母数字的公式变成了图形，以便进行可视化展示。通过可视化出的图形，我们可以对照病人情况对病人状态，结局等进行计算预测。

An Externally Validated Nomogram for Predicting Lymph Node Metastasis of Presumed Stage I and II Endometrial Cancer

基于诺莫图预测I/II期子宫内膜癌患者的淋巴结转移状态

在临床治疗中，阴性淋巴结子宫内膜癌患者的治疗方式仍然存在许多争议。研究者们虽然已经建立出几个用于预测早期子宫内膜癌淋巴扩散状态的模型，然而他们大多缺少完整的外部验证过程。因此，本篇文章的目的就是基于诺莫图建立预测I/II期子宫内膜癌淋巴结转移状态的模型，并在独立的外部数据集合中进行验证。

一.数据收集与整理

训练数据和验证数据分别来自于北京大学人民医院和复旦大学上海肿瘤中心接受过子宫内膜癌一期手术治疗的患者，只保留FIGO I期、II期的子宫内膜癌样本，具体筛选过程及最终结果如图1所示。训练数据以及验证数据的临床特征如表1所示，训练样本的淋巴结转移率为8.0%(56/700)，验证数据中的淋巴结转移率为11.8% (86/727)。 

图1.样本筛选

表1.样本特征

二．筛选淋巴结转移相关因素

单因素logistic回归分析显示，在训练样本中淋巴结转移与组织学类型、分级、肿瘤直径等因素相关（表2），在验证样本中淋巴结转移也与LVSI、宫颈间质浸润和心肌梗死等密切相关（表3）。但组织学类型和组织学分级对两组淋巴结转移的影响略有不同。

 表2.训练数据中淋巴结转移因素预测的单因素和多因素分析

 表3.验证数据中淋巴结转移因素预测的单因素和多因素分析

三．预测模型的开发与验证

基于诺莫图对多因素logistics模型进行可视化，构建淋巴结转移状态的预测模型，对于一个给定病人，每个预测变量在诺莫图中都有相应分数，可以根据当前变量的总和计算总分。最终多元模型构建的诺莫图如图2所示。

图2.淋巴结转移预测模型的诺莫图

通过进一步的鉴别和校准，对最终模型的性能进行评估。在训练数据中，诺莫图的AUC为0.85， Mayo标准（另一种淋巴结转移预测模型）的AUC为0.63  (图3 a)。在验证样本中，诺莫图的AUC为0.78， Mayo标准的AUC为0.57 (图3 b)。与Mayo模型相比较，无论是在训练数据，还是在验证数据中，诺莫图模型的预测效能都更为优越。

 图3.淋巴结转移预测模型的性能评估（AUC）

训练组和验证组的淋巴结转移预测概率和实际概率如校准图所示(图4)。在训练组和验证组中，诺莫图模型均校准良好(平均绝对误差：训练数据，0.012；验证数据，0.013)。

 图4.训练数据和验证数据中淋巴结转移的预测概率和实际概率的校准图

四．模型最优阈值的选择

根据诺莫图准确计算每个患者的转移得分，选择最佳阈值使ROC曲线的敏感性和特异性之和达到最大。当阈值为80时，ROC曲线的敏感性和特异性之和达到最大。基于阈值将训练数据和验证数据患者分为低风险组(得分<80)和高风险组(得分>80)。较Mayo模型而言，不论是在训练数据(AUC：诺莫图模型 ，0.78；Mayo模型， 0.63。P < 0.001，图5)，还是在验证数据(AUC：诺莫图模型 ，0.71；Mayo模型， 0.57。P < 0.001，图5)中，诺莫图模型都展示出更强大的辨别能力和预测能力。在训练数据中，诺莫图低危组和高危组淋巴结转移率分别为2.1%和21.0%，Mayo模型中为1.4%和10.8%。在验证数据中，诺莫图低危组和高危组淋巴结转移率分别为4.3%和22%，Mayo模型分别为2.7%和13.5%(表4,5)。

表4&表5.诺莫图与Mayo模型预测性能评估（训练数据，验证数据）

图5. 基于诺莫图评分和Mayo评分预测子宫内膜癌淋巴结转移状态的ROC曲线。

五．决策曲线分析和净效益

综合净效益曲线，研究者发现当阈值概率为3% - 20%时，诺莫图在训练数据中增加的净效益率为0.2%-3.5%(表6，图6A)，在验证数据中也可以观察到类似的结果(表7，图6B)。与Mayo相比较，诺莫图模型在假阳性结果没有增加的情况下，每100个患者还可以增加3.8个阳性结果，真阳性率更高。

 表6. 诺莫图和Mayo预测效能的净收益比较

图6. 诺莫图和Mayo预测模型的净收益曲线

六．现有淋巴结转移预测模型

虽然目前已经有研究建立出几个用于早期子宫内膜癌患者淋巴结扩散状态预测的模型，然而他们大多缺少完整的外部验证过程（图8）。本篇研究的优势不仅在于基于诺莫图建立出的预测模型有良好的预测效能，并且可以在独立的外部数据集合中进行验证。 

图7.现有淋巴结转移状态预测模型

今天的文献解读到这里就结束了，不知道小伙伴们掌握的怎么样呢。诺莫图是一种很有趣的算法，把枯燥乏味的数学公式变成图，使logistic结果变得更加清晰易懂，同学们可以利用空闲时间学习下哦！我们下次再见吧！

欢迎关注生信人

TCGA | 小工具 | 数据库 |组装| 注释 |   基因家族  |  Pvalue

基因预测  |bestorf |  sci | NAR | 在线工具 | 生存分析 | 热图

 生信不死 | 初学者 | circRNA | 一箭画心| 十二生肖 | circos

 舞台|基因组 | 黄金测序 | 套路 | 杂谈组装 |  进化 | 测序简史