ROC分析的基本原理ROC_basic.pdfVIP

ROC 分析的基本原理 宇传华 徐勇勇 ROC 是受试者工作特征 Receiver Operating Characteristic 或相对工作特征 Relative Operating Characteristic 的缩写 ROC 分析五十年代起源于统计决策理论 后来应用于雷 达信号观察能力的评价 六十年代中期大量成功地用于实验心理学和心理物理学研究[1] Lusted 首次提出了ROC 分析可用于医学决策评价 自从八十年代起 该方法广泛用于医学 诊断性能的评价[2] 如用于诊断放射学 实验室医学 癌症的筛选和精神病的诊断 尤其 是医学影像诊断准确性的评价 1 其它准确性评价指标的局限性 对于二分类总体 如对照与病例 或无病与有病 正常与异常 噪声与信号 诊断试 [3] 验结果分别写成阴性和阳性 其资料可列成表 1 的四格表形式 这时可计算出正确百分 率 灵敏度 特异度等指标 计算公式见表 1 这几个指标均可不同程度反映诊断的准确 性 正确百分率是病例正确诊断为阳性与对照正确诊断为阴性的例数和占总例数的百分比 它很大程度上依赖患病率 如患病率为5% 完全无价值地诊断所有样本为阴性 也可有95% 的正确百分率 其次 它没有揭示假阴性和假阳性错误诊断的频率 相同的正确百分率可能 有十分不同的假阴性和假阳性 第三 它也受诊断阈值的限制 更好的方法是计算灵敏度 和特异度 它们的值越高 诊断性能越好 灵敏度是病例被正确诊断为阳性的比例 也叫真 阳性率 true positive fraction/rate 简称TPF 特异度是对照被正确诊断为阴性的比例 也叫真阴性率. 1-特异度 为假阳性率 false positive fraction/rate 简称FPF 应用这 对指标最明显的问题是 比较两个诊断系统时 可能出现一个诊断系统的灵敏度高 而另一 个特异度高 无法判断哪一个诊断系统更好 此时可将灵敏度和特异度结合 改变诊断阈值 获得多对灵敏度和 1-特异度 即TPF 和FPF 值 绘制ROC 曲线 作ROC 分析来解决 这一问题 表 1 诊断资料2 2 四格表 诊 断 结 金标准 果 病例 对照 合 计 阳 性 a(真阳性) b 假阳性 a+b 阴 性 c(假阴性 d 真阴性 c+d 合计 a+c b+d a+b+c+d=N 正确百分率= a d 1 0 0 % N 灵敏度=真阳性率 TPF = a a c d b 特异度= =[1 假阳性率 FPF ]=1 b d b d 作者单位 第四军医大学卫生统计学教研室 西安 710032 1 疾病 + 疾病 - 合计 Disease(+) Disease(-) Total 试验(+) 真阳性 假阳性 试验阳性数 Test(+) True positives False positives Test positives 试验(-) 假阴性