一文看懂ROC曲线！（附详细案例）

一文看懂ROC曲线！（附详细案例）

引用

搜狐

1.

https://www.sohu.com/a/785189719_121124361

生物医学科研人员在进行生信分析时，经常会遇到各种复杂的统计图表。其中，ROC曲线是一种重要的诊断性能评估工具。本文将从定义、用途、解读方法以及注意事项等多个维度，帮助读者全面理解ROC曲线，并通过具体案例加深理解。

ROC曲线的定义&用途

定义
ROC曲线（Receiver Operating Characteristic Curve）是受试者工作特征曲线，表示一个特定的诊断方法对区别特定的患者组与非患者组样本的检测能力。

用途

• 通过比较不同模型的ROC曲线的AUC（Area Under Curve）大小来比较模型的优劣。
• 找到敏感性和特异性之间的平衡点，实现更好的分类效果。
• 用于评估某些指标在区分两个不同类别的样本（例如患者和正常人）方面的效果。

ROC曲线怎么看？（具体案例）

1. ROC曲线：表示真阳性率（敏感性）与假阳性率（1-特异性）之间的关系。
2. Sensitivity：代表敏感性，即真阳性率。
3. Specificity：代表特异性，即假阳性率。
4. 对角线（无效曲线）：表示随机猜测结果。
5. AUC值：ROC曲线下的面积，用于量化模型好坏或判断模型准确性。
6. 约登指数：约登指数最大值对应着该方法的最佳诊断临界值，即cutoff值。

案例解读
研究者使用ROC曲线判断模型的有效性，白介素6水平和总生存期的ROC曲线显示AUC为69.8%（95CI：0.53–0.87，p = 0.04），IL-6临界值为14.63pg/mL，敏感性和特异性分别为0.74和0.62，说明该模型优于随机猜测，有一定价值。

如遇到两条ROC曲线存在交叉点的情况，该如何处理？

当遇到多条ROC曲线交叉时，仅仅比较AUC可能不能反映真实情况，此时应注意比较策略。建议可以报告NRI（净重新分类指数）和IDI（综合判别改善指数）值，两个指数都用于判别不同模型的预测能力。

使用ROC曲线时有何注意事项？

• 一般地，ROC曲线下面积在0.50.7之间表示诊断价值较低，在0.70.9之间表示诊断价值中等，0.9以上表示诊断价值较高。
• 随着阈值降低，（FPR，TPR）坐标点向右上（右/上）方移动，或不动。ROC曲线越接近左上角，效果越好。若ROC曲线位于对角线下方，说明劣于随机分类结果，这种情况下可考虑将原本二分类结局互换。
• ROC分析时，若正负样本分布得极不均匀，PRC（Precision-Recall Curve）比ROC能更有效地反映模型对于整体分类情况的好坏。
• ROC分析时，两样本若是配对设计，则选择“成对设计样本”；若为两独立样本，则选择“分组变量”。

以上就是关于ROC曲线的相关内容，希望对大家在生物医学研究中的数据分析有所帮助。