ROC曲线图详解
（一）ROC曲线的概念 受试者工作特征曲线（receiver operator characteristic curve, ROC曲线），最初用于评价雷达性能，又称为接收者操作特性曲线。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。
诊断 泛指某对象(如人、仪器、设备、试剂、试验及方法等)对确定事件作出正常或异常判断的过程。TN真阴性，FN假阴性，TP真阳性，FP假阳性，在日常工作中，很难用特定试验结果来完美地区分两组人群:病例组和对照组，如帕金森病的有与无、肿瘤的恶性与良性、肿块的一个与多个等。如图
所示，检验结果往往是重叠的。
对于每一个可能用于区分两组人群的分割点(cut-off point)或标准值(criterion value)，都会将一些病例正确归类为阳性，即真阳性(True Positive，TP)，而将另外一些病例归类为阴性，即假阴性(False Negative，FN)。另一方面，将一些对照个案正确归类阴性，即真阴性(True Negative，TF)，而将另外一些对照个案归类为阳性，即假阳性(False Positive，FP)。这些指标可采用2×2列联表(contingency table)或决策矩阵(decision matrix)定义。
诊断试验可产生如下统计量:
灵敏度(Sensitivity，Se)称为真阳性率(true-positive fraction，TPF;或true-positive rate，TPR)，为病例组中诊断试验正确诊断为阳性的概率，。
特异度(Specificity，Sp)，称为真阴性率(true-negative fraction，TNF;或true-negative rate，TNR):为对照组中诊断试验正确诊断为阴性的概率
假阴性率(false-negative fraction，FNF;或false-negativerate，FNR)，为病例组中错误诊断试验为阴性的概率，假阴性将导致病情延误与治疗延期等危害。
假阳性率(false-positive fraction，FPF;或false-positiverate，FPR)，为对照组中诊断试验错误诊断为阳性的概率，。假阳性将导致治疗不正确，患者有时需要遭受风险很大的确证试验。
阳性似然比(Positive likelihood ratio，LR+)，为真阳性率与假阳性率的比值，即阴性似然比(Negative likelihood ratio，LR-)，为假阴性率与真阴性率的比值，即。
阳性预测值(Positive predictive value，PPV)，为诊断试验为阳性结果中病人的概率，即阴性预测值(Negative predictive value，NPV)，为诊断试验为阴性结果中非病人的概率。
（二）ROC曲线的生成
假设采用逻辑回归分类器，其给出针对每个实例为正类的概率，那么通过设定一个阈值如0.6，概率大于等于0.6的为正类，小于0.6的为负类。对应的就可以算出一组(FPR,TPR),在平面中得到对应坐标点。随着阈值的逐渐减小，越来越多的实例被划分为正类，但是这些正类中同样也掺杂着真正的负实例，即TPR和FPR会同时增大。阈值最大时，对应坐标点为(0,0),阈值最小时，对应坐标点(1,1)。
如下面这幅图，(a)图中实线为ROC曲线，线上每个点对应一个阈值。
（二）ROC曲线的主要作用
1.ROC曲线能很容易地查出任意界限值时的对疾病的识别能力。
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疾病识别能力的比较。在对同一种疾病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。
（三）ROC曲线分析的主要步骤
1.ROC曲线绘制。依据专业知识，对疾病组和参照组测定结果进行分析，确定测定值的上下限、组距以及截断点（cut-off point），按选择的组距间隔列出累积频数分布表，分别计算出所有截断点的敏感性、特异性和假阳性率（1-特异性）。以敏感性为纵坐标代表真阳性率，（1-特异性）为横坐标代表假阳性率，作图绘成ROC曲线。
2.ROC曲线评价统计量计算。ROC曲线下的面积值在1.0和0.5之间。在AUC＞0.5的情况下，AUC越接近于1，说明诊断效果越好。即受试对象中所有的病人均为阳性，而所有的非病人均为阴性。AUC在 0.5～0.7时有较低准确性，AUC在0.7～0.9时有一定准确性，AUC在0.9以上时有较高准确性。AUC＝0.5时，说明诊断方法完全不起作用，无诊断价值。AUC＜0.5不符合真实情况，在实际中极少出现。
明显看到绿色准确率更高。
3.两种诊断方法的统计学比较。两种诊断方法的比较时，根据不同的试验设计可采用以下两种方法：①当两种诊断方法分别在不同受试者身上进行时，采用成组比较法。②如果两种诊断方法在同一受试者身上进行时，采用配对比较法。
（四）ROC曲线的优点 该方法简单、直观，通过图示可观察分析方法的临床准确性，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。