ROC曲线的意义

ROC曲线指受试者工作特征曲线(receiver operating characteristic curve), 是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、（1-特异性）为横坐标绘制成曲线，曲线下面积越大，诊断准确性越高。在ROC曲线上，最靠近坐标图左上方的点为敏感性和特异性均较高的临界值。

受试者工作特征曲线 （receiver operating characteristic curve，简称ROC曲线），又称为 感受性 曲线（sensitivity curve）。得此名的原因在于 曲线上各点反映着相同的感受性 ，它们都是对同一 信号刺激 的反应，只不过是在几种不同的判定标准下所得的结果而已。接受者 *** 作特性曲线就是以假阳性概率（False positive rate）为 横轴 ，击中概率为纵轴所组成的坐标图，和被试在特定刺激条件下由于采用不同的判断标准得出的不同结果画出的曲线。

ROC曲线是根据一系列不同的二分类方式（分界值或决定阈），以真阳性率（灵敏度）为纵坐标，假阳性率（1-特异度）为横坐标绘制的曲线。传统的诊断试验评价方法有一个共同的特点，必须将试验结果分为两类，再进行统计分析。ROC曲线的评价方法与传统的评价方法不同，无须此限制，而是根据实际情况，允许有中间状态，可以把试验结果划分为多个有序分类，如正常、大致正常、可疑、大致异常和异常五个等级再进行统计分析。因此，ROC 曲线 评价方法适用的范围更为广泛。

1.ROC曲线能很容易地查出任意界限值时的对性能的识别能力。

2.选择最佳的诊断界限值。ROC曲线越靠近左上角,试验的 准确性 就越高。最靠近左上角的ROC曲线的点是错误最少的最好 阈值 ，其假阳性和假阴性的总数最少。

3.两种或两种以上不同诊断试验对算法性能的比较。在对同一种算法的两种或两种以上诊断方法进行比较时，可将各试验的ROC曲线绘制到同一坐标中，以直观地鉴别优劣，靠近左上角的ROC曲线所代表的受试者工作最准确。亦可通过分别 计算 各个试验的ROC曲线下的面积(AUC)进行比较，哪一种试验的 AUC最大，则哪一种试验的诊断价值最佳。

该方法简单、直观，通过图示可观察分析方法的准确性，并可用肉眼作出判断。ROC曲线将灵敏度与 特异性 以图示方法结合在一起，可准确反映某分析方法特异性和敏感性的关系，是试验准确性的综合代表。ROC曲线不固定分类界值，允许中间状态存在，利于使用者结合专业知识，权衡漏诊与误诊的影响，选择一更佳截断点作为诊断参考值。提供不同试验之间在共同标尺下的直观的比较，ROC曲线越凸越近左上角表明其诊断价值越大，利于不同指标间的比较。曲线下面积可评价诊断准确性

关于roc曲线的正确解读如下：

ROC曲线，也称受试者工作特征曲线，感受性曲线；ROC曲线最初是运用在军事上，当前在医学领域使用非常广泛，用于研究X对于Y的预测准确率情况。

案例：雷达兵的任务在于监视雷达，观察是否有敌机来袭，当然如果有飞鸟来袭，也会出现信号，如果过于谨慎有信号就报告，

会增加误报风险，但如果过于大胆，凡是信号都认为是飞鸟这会出现很大风险。ROC曲线正是解决此类问题，即用于尽最大可能研究敌机信号和飞鸟信号之间的区别，以增加预报准确性。

核心在于研究漏报和误报之间的概率分布情况，横坐标表示飞鸟信息不报告的概率，纵坐标表示敌机信息报告的概率即正确报告的概率，将对应的点连成曲线，这条曲线就是ROC曲线。

名词解释ROC曲线最初运用于军事上，当前ROC曲线在医学领域有着广泛的使用。医学上更多称为“阳性”（比如敌机）或“阴性”（比如飞鸟），对应着X轴即1-特异性也称为假阳性率（误报率），该值越小越好；Y轴敏感度也称为真阳性率（敏感度），该值越大越好。

*** 作与分析数据背景本案例研究产妇年龄，产妇体重这两项对于“低出生体重儿”的预测准确率，针对“低出生体重儿”列，数字1表示低出生体重儿，0表示不是低出生体重。数字1表示“阳性”，数字0表示“阴性”，因此切割点设置为1。

从上表可知，针对产妇年龄, 产妇体重共2项构造ROC曲线，用于判断其对于“低出生体重儿”的诊断预测价值，首先进行状态变量的设置。

以数字1作为切割点， 1为阳性，0作为阴性。最终从上表可可以看出：阳性（此处即为“低出生体重儿”）比例为68.78%，阴性（此处即为“非低出生体重儿”）比例为31.22%。

ROC 曲线可用于疾病识别能力的判断，首先需要确定金标准(分割点)，并且主动设置；第一步：状态变量等于分割点时为阳性，其它为阴性；第二步：可对阳性和阴性的基本频数分布情况进行简单描述。