14.5: 接收者操作特征图

ROC（接收者操作特征）图是一种图形工具，用于通过说明灵敏度（真阳性率）和特异性（假阳性率）之间的权衡来评估二元分类模型的性能。通过在各种阈值设置下绘制灵敏度与 1 - 特异性的关系，ROC 曲线显示了模型区分类别的能力，曲线越靠近左上角，表示模型越准确。ROC 曲线下面积 (AUC) 用作单一性能指标：接近 1 的值表示更好的区分能力，而接近 0.5 的值表示预测能力较差，类似于随机猜测。

在评估特定疾病的诊断工具时，平衡灵敏度和特异性对于确定检验的准确性至关重要。灵敏度衡量检验正确识别患有疾病的个体的能力，而特异性衡量其排除未患病者的能力。调整诊断阈值可能会改变这种平衡，从而影响检验的有效性。 ROC 曲线在说明灵敏度和特异性如何在这些阈值上变化方面特别有用，有助于确定分类的最佳截断值。

当预测变量与疾病无关时，灵敏度和 1 - 特异性将沿对角线对齐，表明该模型的表现并不比随即猜测好。但是，当预测变量的较高值表示疾病风险较大时，ROC 曲线将上升到对角线以上。如果较低的值表示风险较大，则可以调整模型以确保 ROC 曲线上升到此线以上，从而显示更好的区分能力。

ROC 曲线下的面积量化了变量区分患病状态和健康状态的能力，就像线性回归中的 R^2 一样，但针对二元结果。比较来自各种分类模型的 ROC 曲线可以揭示它们在不同阈值上的预测准确性，例如，显示某些方法在高特异性、低风险筛查中是否同样有效，但在临床诊断的精确度上存在差异。理想情况下，ROC 曲线应明显偏离对角线，因为偏差越大表示诊断测试越准确。AUC 接近 1 表示工具非常有效，而接近 0.5 的值表示可靠性有限。

在评估特定疾病的诊断工具或测试时，权衡敏感性和特异性的重要性至关重要。

敏感性和特异性之间的平衡取决于定义疾病的阈值，因为不同的阈值会导致不同的结局。

例如，考虑使用不同血清滴度水平阈值开发的疾病的诊断测试。

根据此表计算的特异性补充绘制敏感性图，可得出受试者工作特征或 ROC 图。

如图所示，曲线偏离基准线越远，诊断准确性就越高。相反，距离越近表示测试的可靠性降低。

因此，ROC 曲线下的面积是测试准确区分患病和非患病个体效率的宝贵指标。

较好的诊断测试的特征是曲线下面积接近 1.00，而无效测试的面积接近 0.50。