1什么是ROC曲线

①基本概念

受试者工作特征曲线（receiver operating characteristic curve，简称ROC曲线），又称为感受性曲线（sensitivity curve）。ROC曲线首先是由二战中的电子工程师和雷达工程师发明的，用来侦测战场上的敌军载具（飞机、船舰），也就是信号检测理论，后面广泛应用于医学、无线电、生物学、犯罪心理学领域中，而且最近在机器学习（machine learning）和数据挖掘（data mining）领域也得到了很好的发展。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，反映了敏感性与特异性之间关系。

②理解ROC曲线

针对一个二分类问题，我们将实例分成正类/阳性（positive）和负类/阴性（negative）两种。在实际分类中，会出现四种情况。如果一个实例是阳性并且也被预测为阳性，即为真阳性（true positive，TP），如果实例为阴性被预测为阳性，称之为假阴性（false negative，FN）；相应的，如果实例是阴性被预测为阴性，称之为真阴性（true negative，TN），如果实例为阴性被预测为阳性，称之为假阳性（false positive，FP）。

ROC曲线以假阳性率（False positive rate，FPR）即 “1-特异度（1-Specificity）”为横坐标，真阳性率（True positive rate，TPR）即“灵敏度（Sensitivity）”为纵坐标，其中：

在ROC曲线中，FPR越大，预测阳性中实际阴性越多，TPR越大，预测阳性类别中实际阳性越多。理想状态下，TPR应该接近1，FPR应该接近0，因此ROC曲线越靠拢（0，1）点，越偏离45度对角线越好，特异度、灵敏度越大效果越好。

③ROC曲线的主要作用

在实际应用中，ROC曲线主要有以下三种作用：

a. 判别一个分类其在某个阈值时对样本的识别能力，在实验中即可用于评估试验的诊断价值。这里需要引出一个概念，ROC曲线下面积（Area Under Curve，AUC），AUC作为数值可以直观地评价分类器的好坏，值越大越好。一般认为，AUC≈1.0为最理想的检查指标；AUC在0.7-0.9之间表示分类器准确性高；AUC=0.5表示分类器无分类价值。

b. 选择出某一诊断方法最佳的诊断界限值。在ROC曲线中，最靠近左上角的那一点为最佳临界点，点上的值即为最佳临界值，因为此点上敏感度与特异度都较高，假阳性与假阴性也最少。

c. 比较两种或两种以上不同诊断方法对疾病的识别能力大小。把各试验的ROC曲线绘制在同一坐标中，可以直观地比较哪种诊断更有价值，越是靠近左上角的ROC曲线所代表的诊断方法性能越好。

2GraphPad Prism绘制ROC曲线

打开GraphPad Prism软件，选择柱状图（Column），点击“Creat”创建数据。

导入数据，可从Excel中导入，也可直接复制数据在列表中，本文中以软件内置的实例数据为例进行操作。

数据分为两列，一列为“Controls”组为用于对照的诊断试验结果，一列为“Patients”组为患者。

在软件界面上方工具栏点击“Analyze”按钮对数据进行分析。

在弹出的窗口左侧展开Column analysis列表，选择ROC Curve选项，在右侧窗口确认勾选了“Controls”组和“Patients”组，点击“OK”按钮。

在弹出的Parameters：ROC Curve窗口中指定哪些列具有对照结果和患者结果，并选择查看以分数或百分比表示的结果（灵敏度和1-特异性），该设置可在Results参数选项中选择勾选“Fraction”或“Precentage”进行更改，其它参数一般无需更改，点击“OK”来生成ROC曲线。