简介

受试者工作特征曲线( receiver operating characteristic curve ， ROC 曲线)，又称为感受性曲线( sensitivity curve )，是比较诊断测试的一种方法。随着接受者灵敏度的提高，假阳性的数量会随之增加。 因此， ROC 曲线实际上反映了特异性与灵敏度的关系，它是真阳性率与假阳性率的关系图。其背后的逻辑是，如果一项测试没有诊断能力，那么它产生真阳性或假阳性的可能性是相同的。随着诊断能力的增加，即特异性的提升，真阳性率上升，假阳性下降。 在临床诊断中ROC一般用于评价检验项目的临床准确性，如评价多指标联检的准确性，未知单指标的检测cut-off值等。此外，在生物标志物研究中，ROC是评估一个生物标志物的预测性能的有用的图形工具，指示一个生物标志物组区分两个群组（如实验组和对照组，疾病和健康）的能力。

ROC曲线图解

ROC曲线是以真阳性率(灵敏度)为纵坐标，假阳性率(1-特异度)为横坐标绘制的曲线。其自变量(检验项目)一般为连续性变量，因变量(金标准)一般为二分类变量。

roc曲线评估回归模型 roc曲线结果分析_生物统计


Fig 1. Receiver operator characteristic curves of the predicted risk of HPAI H5N1 presence/absence. (Martin V, et al. 2011)

  1. Left and right plots are the ROC curves of the bootstrapped logistic regression models and BRT models, respectively.
  2. Top and bottom plots are the ROC curves of the models based on HPAI H5N1 clinical disease outbreak data, and HPAIV H5N1 risk-based surveillance data, respectively.

ROC曲线分析流程及分析目的：

roc曲线评估回归模型 roc曲线结果分析_似然比_02

(1)敏感性和特异性之间的关系，例如敏感性降低时，特异性的增加。
(2)测试精度，曲线越靠近顶部和左侧边界，代表测试越准确；曲线越靠近对角线，测试的准确性就越低。
(3)似然比，由任意特定切点处的导数给出。

ROC曲线应用领域

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。
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，可以直观地鉴别优劣，靠近左上角的ROC曲线代表测试越准确。也可以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。

参考文献

  1. Martin V, et al. Spatial Distribution and Risk Factors of Highly Pathogenic Avian Influenza (HPAI) H5N1 in China[J]. PLoS Pathogens, 2011, 7(3): e1001308.