pROC带你轻松搞定ROC曲线绘制

pROC带你轻松搞定ROC曲线绘制

ROC曲线（Receiver Operating Characteristic Curve）是医学诊断试验和预测模型性能评估中常用的一种工具。本文将介绍如何使用R语言中的pROC包来绘制和分析ROC曲线。

一、数据准备与pROC包加载

为了演示如何使用pROC包，我们将采用aSAH数据集作为示例。这是一个经典的脑动脉瘤研究数据集，包含了200个亚实质性蛛网膜下腔出血（aSAH）病例的相关信息。数据集包括11个变量，如年龄、颅内压、术前状态等。

首先，我们需要加载必要的R包并加载aSAH数据集：

# 加载MASS包
library(MASS)
# 加载pROC包
library(pROC)
# 加载aSAH数据集
data(aSAH)

二、使用roc()进行ROC分析

在aSAH数据集中，我们用age这个数值型预测变量来预测outcome二分类因变量的取值，并且指定因变量的两个水平分别为”Good”和”Poor”。下面的代码展示了如何使用roc()函数来建立ROC对象：

# 使用roc()来建立ROC对象
roc1 <- roc(aSAH$outcome, aSAH$age,
            levels=c("Good", "Poor"))
# 绘制ROC曲线并进行个性化设置
plot(roc1,
     # 打印AUC值
     print.auc=TRUE,
     # 设置打印AUC值的x轴位置
     print.auc.x=0.4,
     # 设置打印AUC值的y轴位置
     print.auc.y=0.5,
     # 不生成ROC曲线下方多边形
     auc.polygon=FALSE,
     # 设置两个轴间隔的大小
     # 设置两个轴间隔的颜色
     grid.col=c("#FF8C00", "#FF8C00"),
     # 不显示最佳阈值的位置
     print.thres=FALSE,
     # 图形标题
     main="ROC curve for aSAH dataset",
     # ROC曲线颜色
     col="#FF2E63",
     # 绘制旧式的轴刻度标签
     legacy.axes=TRUE,
     # 打印AUC值时使用橙色文本
     print.auc.col="#FF8C00")

绘制出的ROC曲线如下图所示：

三、曲线比较与p值添加

为了检验两条曲线的p值，我们可以引入另一条曲线，参数更改为aSAH$s100b，并使用add=TRUE将它与上一条曲线放置在同一图上：

# 使用roc()来建立ROC对象
roc2 <- roc(aSAH$outcome, aSAH$s100b, levels = c("Good", "Poor"))
# 绘制 ROC 曲线
plot(roc2, col = "blue", add=TRUE, # 增加曲线，
     print.auc = TRUE,
     main = "ROC curve for S100B",
     xlab = "1 - Specificity", ylab = "Sensitivity",
     print.auc.x=0.6,print.auc.y=0.6)

接下来，使用roc.test()函数对前面得到的两条ROC曲线roc1和roc2进行比较，并得出它们是否具有显著差异：

testp <- roc.test(roc1,roc2)   # 检验两条曲线
text(0.4, 0.2,  # 设置添加p值的位置(x,y)
     labels=paste("P value =", format.pval(testp$p.value)),
     adj=c(0, 0.5)) # 在图上添加P值

最终得到的结果如下图所示：

通过本文的介绍，读者应该能够掌握如何使用pROC包对ROC曲线进行绘制和分析。建议读者通过实践进一步熟悉这些方法，以便在实际研究中更好地应用。