Web APP 阶段性综述

当前，Web APP 主要应用于电脑端，常被用于部署数据分析、机器学习及深度学习等高算力需求的任务。在医学与生物信息学领域，Web APP 扮演着重要角色。在生物信息学领域，诸多工具以 Web APP 的形式呈现，相较之下，医学领域的此类应用数量相对较少。在医学和生物信息学的学术论文中，Web APP 是展示研究成果的有效工具，并且还能部署到网络上，服务于实际应用场景。

Shiny APP

平台特性：Shiny APP 搭建于 R 语言平台之上，界面设计美观。其功能主要围绕 R 语言的应用范畴，涵盖统计学与机器学习领域。值得注意的是，虽然 Shiny 也有 Python 版本，但在实际应用中鲜少被采用。

部署方式：考虑到国内访问的便捷性，既可以选择将其部署到 Shiny Cloud，也可借助 ShinyProxy 进行本地部署。不过，Shiny Cloud 存在一定限制，例如 APP 数量上限为 5 个，且算力方面也有所约束。

Streamlit APP

平台特性：Streamlit APP 以 Python 语言为依托，同样拥有美观的界面，功能更为丰富多元，广泛涉及数据分析、统计学、机器学习以及深度学习等多个领域。

部署方式：既能部署至 Streamlit Cloud，也能够借助 ShinyProxy 实现本地部署。Streamlit 云平台在 APP 数量上没有限制，算力限制也相对宽松。

LLM + API APP

实现原理：此类 Web APP 将模型部署为 API 作为后台，在 LLM（大语言模型）的问答环节中，引入 API 以精准回答专业问题。这种方式巧妙融合了 LLM 广泛的知识储备与机器学习的数据处理能力，极具发展潜力。

构建与发布平台：随着 AI 技术的兴起，这类应用逐渐流行。目前，构建并发布此类应用的平台有扣子平台、百度千帆平台等。

API 部署方式：既可以选用如 Render 这类平台的试用版本，但该版本空间和算力有限，对于复杂的机器学习模型或许并不适用，也能够通过宝塔面板以及适用于 R 语言的 Plumber +PM2等方式进行本地部署。

医学领域 Web APP 相较于生物信息学领域数量稀少

这可能是由于生物信息学研究人员接触的代码知识更为丰富，而医学数据分析的从业人员多为兼职，其学习路径通常也不涉及 Web APP 的构建与部署，表现为现存的医学类APP数量稀少，质量也普遍不高。

AI 助力 Web APP 构建与部署

如今，各类 AI 辅助编程工具已相对成熟，能够直接生成相关代码，极大地简化了 Web APP 的构建与部署流程。鉴于 Web APP 本身结构不算复杂，只要对相关流程有一定了解，就能在短时间内实现 Web APP 的构建与部署，也为医学类web APP的增加提供了条件。