ROC曲線圖詳解
（一）ROC曲線的概念 受試者工作特征曲線（receiver operator characteristic curve, ROC曲線），最初用于評價雷達性能，又稱為接收者操作特性曲線。ROC曲線是根據一系列不同的二分類方式（分界值或決定阈），以真陽性率（靈敏度）為縱坐标，假陽性率（1-特異度）為橫坐标繪制的曲線。 傳統的診斷試驗評價方法有一個共同的特點，必須将試驗結果分為兩類，再進行統計分析。ROC曲線的評價方法與傳統的評價方法不同，無須此限制，而是根據實際情況，允許有中間狀态，可以把試驗結果劃分為多個有序分類，如正常、大緻正常、可疑、大緻異常和異常五個等級再進行統計分析。是以，ROC曲線評價方法适用的範圍更為廣泛。
診斷 泛指某對象(如人、儀器、裝置、試劑、試驗及方法等)對确定事件作出正常或異常判斷的過程。TN真陰性，FN假陰性，TP真陽性，FP假陽性，在日常工作中，很難用特定試驗結果來完美地區分兩組人群:病例組和對照組，如帕金森病的有與無、惡性良性腫瘤的惡性與良性、腫塊的一個與多個等。如圖
所示，檢驗結果往往是重疊的。
對于每一個可能用于區分兩組人群的分割點(cut-off point)或标準值(criterion value)，都會将一些病例正确歸類為陽性，即真陽性(True Positive，TP)，而将另外一些病例歸類為陰性，即假陰性(False Negative，FN)。另一方面，将一些對照個案正确歸類陰性，即真陰性(True Negative，TF)，而将另外一些對照個案歸類為陽性，即假陽性(False Positive，FP)。這些名額可采用2×2列聯表(contingency table)或決策矩陣(decision matrix)定義。
診斷試驗可産生如下統計量:
靈敏度(Sensitivity，Se)稱為真陽性率(true-positive fraction，TPF;或true-positive rate，TPR)，為病例組中診斷試驗正确診斷為陽性的機率，。
特異度(Specificity，Sp)，稱為真陰性率(true-negative fraction，TNF;或true-negative rate，TNR):為對照組中診斷試驗正确診斷為陰性的機率
假陰性率(false-negative fraction，FNF;或false-negativerate，FNR)，為病例組中錯誤診斷試驗為陰性的機率，假陰性将導緻病情延誤與治療延期等危害。
假陽性率(false-positive fraction，FPF;或false-positiverate，FPR)，為對照組中診斷試驗錯誤診斷為陽性的機率，。假陽性将導緻治療不正确，患者有時需要遭受風險很大的确證試驗。
陽性似然比(Positive likelihood ratio，LR+)，為真陽性率與假陽性率的比值，即陰性似然比(Negative likelihood ratio，LR-)，為假陰性率與真陰性率的比值，即。
陽性預測值(Positive predictive value，PPV)，為診斷試驗為陽性結果中病人的機率，即陰性預測值(Negative predictive value，NPV)，為診斷試驗為陰性結果中非病人的機率。
（二）ROC曲線的生成
假設采用邏輯回歸分類器，其給出針對每個執行個體為正類的機率，那麼通過設定一個門檻值如0.6，機率大于等于0.6的為正類，小于0.6的為負類。對應的就可以算出一組(FPR,TPR),在平面中得到對應坐标點。随着門檻值的逐漸減小，越來越多的執行個體被劃分為正類，但是這些正類中同樣也摻雜着真正的負執行個體，即TPR和FPR會同時增大。門檻值最大時，對應坐标點為(0,0),門檻值最小時，對應坐标點(1,1)。
如下面這幅圖，(a)圖中實線為ROC曲線，線上每個點對應一個門檻值。
（二）ROC曲線的主要作用
1.ROC曲線能很容易地查出任意界限值時的對疾病的識别能力。
2.選擇最佳的診斷界限值。ROC曲線越靠近左上角,試驗的準确性就越高。最靠近左上角的ROC曲線的點是錯誤最少的最好門檻值，其假陽性和假陰性的總數最少。
3.兩種或兩種以上不同診斷試驗對疾病識别能力的比較。在對同一種疾病的兩種或兩種以上診斷方法進行比較時，可将各試驗的ROC曲線繪制到同一坐标中，以直覺地鑒别優劣，靠近左上角的ROC曲線所代表的受試者工作最準确。亦可通過分别計算各個試驗的ROC曲線下的面積(AUC)進行比較，哪一種試驗的 AUC最大，則哪一種試驗的診斷價值最佳。
（三）ROC曲線分析的主要步驟
1.ROC曲線繪制。依據專業知識，對疾病組和參照組測定結果進行分析，确定測定值的上下限、組距以及截斷點（cut-off point），按選擇的組距間隔列出累積頻數分布表，分别計算出所有截斷點的敏感性、特異性和假陽性率（1-特異性）。以敏感性為縱坐标代表真陽性率，（1-特異性）為橫坐标代表假陽性率，作圖繪成ROC曲線。
2.ROC曲線評價統計量計算。ROC曲線下的面積值在1.0和0.5之間。在AUC＞0.5的情況下，AUC越接近于1，說明診斷效果越好。即受試對象中所有的病人均為陽性，而所有的非病人均為陰性。AUC在 0.5～0.7時有較低準确性，AUC在0.7～0.9時有一定準确性，AUC在0.9以上時有較高準确性。AUC＝0.5時，說明診斷方法完全不起作用，無診斷價值。AUC＜0.5不符合真實情況，在實際中極少出現。
明顯看到綠色準确率更高。
3.兩種診斷方法的統計學比較。兩種診斷方法的比較時，根據不同的試驗設計可采用以下兩種方法：①當兩種診斷方法分别在不同受試者身上進行時，采用成組比較法。②如果兩種診斷方法在同一受試者身上進行時，采用配對比較法。
（四）ROC曲線的優點 該方法簡單、直覺，通過圖示可觀察分析方法的臨床準确性，并可用肉眼作出判斷。ROC曲線将靈敏度與特異性以圖示方法結合在一起，可準确反映某分析方法特異性和敏感性的關系，是試驗準确性的綜合代表。ROC曲線不固定分類界值，允許中間狀态存在，利于使用者結合專業知識，權衡漏診與誤診的影響，選擇一更佳截斷點作為診斷參考值。提供不同試驗之間在共同标尺下的直覺的比較,ROC曲線越凸越近左上角表明其診斷價值越大，利于不同名額間的比較。曲線下面積可評價診斷準确性。