刘博谈 | 谈一谈接收者操作特征曲线（ROC曲线）的应用

欢迎大家来到IT世界,在知识的湖畔探索吧!

大家好，我是刘博，在之前的系列文章当中，我给大家对ROC曲线进行了详细的介绍，今天这篇文章将是这个系列的收尾，我将介绍一些ROC曲线的应用，在后面的文章当中，我将会举几个示例来让大家对ROC曲线的应用有进一步的理解。

ROC曲线是简单的、图形化的，在一个普遍的尺度上很容易得到视觉上的答案。它代表固有的诊断准确度，即在检测的整个测量区间内的鉴别能力。所以，ROC曲线不需要选择一个特定的决策阈值，因为它包括了整个可能的决策阈值范围。因为ROC曲线的产生与患病率无关，只要以非选择性的方式收集病例，获得具有代表性的患病率的样本并不重要。事实上，通常最好是两种情况，患病和非患病，受试者的数量大致相等，这样在产生的曲线中，特异性和灵敏度以及它们之间的权衡都很容易获得。

ROC曲线的属性和ROC曲线的函数，如AUC，允许有许多用途，包括以下：

• 确定一项检测是否优于机会；
• 为临床应用寻找曲线上的最佳点；
• 判断检测是否更适合于证明或反驳疾病或目标条件的存在（达到高特异性的合理灵敏度，反之亦然）；
• 评估诊断准确度；
• 比较两个检测，不管他们使用什么单位；
• 评价同一过程的两个检测是否具有相同或不同的诊断潜力。

《定量测定参考区间建立实践手册》[1]中详述的参考区间研究已被用于生成截断点。然而，此类研究就其性质而言，只包括一个人群，因此无法对灵敏度和特异性之间的权衡进行量化。这样的分界点只确定了一个参考人群的结果不太可能下降的点。这样的分界线并不能回答有关特定医疗状况的临床问题。

ROC曲线在一个简单的结构中汇集了许多信息。这是它的优势，并导致了上面详述的许多用途。然而，由于这种简化，ROC曲线有很多东西是无法提供的。

首先，决策阈值以及曲线上每一点上有和没有临床症状的受试者的数量都在图形表示中丢失。如果需要的话，可以在选定的地方对曲线进行注释，但在整个曲线上这样做是不现实的。常见的做法是提供一个用于生成曲线的完整的结果表。另一个选择是使用累积分布分析（CDA）图，它是灵敏度和特异性与截止值的函数的联合描述[2]。关于CDA图的更多信息我们将在后续的文章当中做进一步介绍。

在使用ROC分析的研究中观察到的一些常见错误是没有提供AUC的CI以评估其误差范围，以及在比较两条曲线时缺乏正式的假设检验。一个常见的错误做法是说明AUC的CIs重叠；然而，这并不等同于假设检验。与任何汇总统计一样，AUC必须作为候选诊断设备或检测的综合分析的一部分来考虑。灵敏度和特异性（以及AUC）都会受到病例组合、疾病严重程度以及所考虑的临床状态的伴随风险因素的影响。单一的ROC和AUC计算不能考虑到这些影响因素。

与任何统计学一样，AUC有其优点和缺点，应谨慎使用。例如，AUC统计学与Mann-Whitney U和Wilcoxon秩和检验的代数等价性使其对被研究对象的风险水平不敏感。在功能良好的风险预测方程中纳入新的风险因素，很少能将风险分层提高到临床上可观的程度。即使回归统计学或显着性检验表明有很大的、无可争辩的「效果」，决策分析也常常表明临床影响很小。虽然严格来说，AUC并不是决策分析意义上的临床获益的衡量标准，但AUC的表现却很像，因为它恰当地描述了影响的微小性。不幸的是，当面对巨大的回归效应和微不足道的AUC增加时，研究者倾向于相信前者，导致经常有人声称[3-6]，AUC对增加的诊断或预后信息不敏感。这种说法是错误的；AUC应该被认为是值得信赖的（「悲观但不是过度悲观」），而回归输出有时会激发对临床收益的错误希望。

当一个表现良好的诊断检测变得更有信息量时（例如，通过减少测量误差），也会出现类似的情况；即使是明显的减少（和统计学上的显著性），AUC的变化也不大。我们也将在后续的文章中讨论这一事实。

诊断科学编辑团队收集、整理和编撰，如需更多资讯，请关注公众号诊断科学（DiagnosticsScience）。

参考文献

1. 定量测定参考区间建立实践手册
2. Krouwer JS. Cumulative distribution analysis graphs—an alternative to ROC curves. Clin Chem. 1987;33(12):2305-2306.
3. Cook NR. Assessing the incremental role of novel and emerging risk factors. Curr Cardiovasc Risk Rep. 2010;4(2):112-119.
4. Melander O, Newton-Cheh C, Almgren P, et al. Novel and conventional biomarkers for prediction of incident cardiovascular events in the community. JAMA. 2009;302(1):49-57.
5. Moons KGM. Criteria for scientific evaluation of novel markers: a perspective. Clin Chem. 2010;56(4):537-541.
6. Uno H, Tian L, Cai T, Kohane IS, Wei LJ. Comparing risk scoring systems beyond the ROC paradigm in survival analysis. Harvard University Biostatistics Working Paper Series. Working Paper 107, 2009.

＊＊＊