受试者工作特征曲线

受试者工作特征（ROC）曲线绘制了在所有可能的决策阈值下，一项测试的敏感性与其假阳性率（1减去特异性）之间的关系。它总结了基于连续或有序测量构建的测试如何在有条件和无条件的人群之间进行区分，独立于任何单一的截止点，并且其包围的面积将这种区分浓缩为一个数字。

Definition

受试者工作特征曲线是敏感性（真阳性率）与假阳性率（1减去特异性）的图表，通过改变测试的决策阈值在其完整范围内描绘出来。

Scope

本条目定义了ROC曲线，解释了它是如何通过诊断阈值的变化而生成的，描述了曲线下面积（AUC）作为一种独立于阈值的区分度总结，并指出了其起源于信号检测理论。这是一个方法学主题，不就任何特定测试或阈值的使用提供建议。

Key concepts

• 敏感性与假阳性率的权衡
• 决策阈值（截止点）
• 曲线下面积（AUC）
• 独立于阈值的区分度
• 信号检测理论
• 竞争性测试的比较

Mechanisms

对于产生连续或有序分数的测试，每个候选阈值都会产生一对敏感性和假阳性率；将这些对在所有阈值上连接起来，即可在单位正方形中描绘出ROC曲线。曲线越靠近左上角表示区分度越强，而对角线则表示测试效果不优于随机猜测。曲线下面积总结了所有阈值下的性能，其解释为测试将随机选择的患病受试者分配的得分高于随机选择的非患病受试者的概率。由于它是根据敏感性和特异性而非按行计数计算的，因此曲线及其面积描述了独立于疾病患病率的区分度，尽管选择一个操作阈值进行使用仍然需要权衡假阳性与假阴性的成本。该框架源于信号检测理论，其中分析了命中与虚警之间的相同权衡。

Clinical relevance

ROC分析是比较诊断测试和检查连续标记在任何截止点固定之前如何良好地区分患病和非患病受试者的标准工具。该概念支持对诊断证据的批判性评估；它表征了测试的区分度，而不是个体诊断或治疗决策的基础。

Epidemiology

ROC曲线及其下面积被广泛用于报告和比较诊断标记和预测模型的区分性能。由于该面积总结了区分度，但未总结校准或所选阈值的实际后果，因此STARD等报告标准鼓励清晰描述阈值和准确性是如何确定的。

Evidence & guidelines

STARD声明涵盖了诊断准确性的报告，包括如何定义和报告测试阈值以及ROC曲线下面积等准确性度量。

History

ROC分析起源于20世纪中叶发展的信号检测理论，旨在表征命中与虚警之间的权衡，并于1970年代被应用于医学决策和诊断成像。Metz于1978年的阐述为医学领域奠定了其基本原则，Hanley和McNeil于1982年的论文阐明了曲线下面积的含义和统计处理，Swets于1988年的综合研究将ROC方法框定为衡量诊断准确性的一种通用方法。

Debates

曲线下面积是否足以总结测试性能？

该面积浓缩了所有阈值下的区分度，但忽略了校准以及假阳性和假阴性成本的差异，因此当特定操作点很重要时，它可能是一个误导性的唯一标准。

Key figures

• Charles Metz
• James Hanley
• Barbara McNeil
• John Swets

Seminal works

• metz-1978
• hanley-mcneil-1982
• swets-1988

Frequently asked questions

ROC曲线下面积意味着什么？

它是测试将随机选择的患病受试者分配的得分高于随机选择的非患病受试者的概率；0.5表示没有区分度，1.0表示完美区分。

为什么使用ROC曲线而不是单一的敏感性和特异性？

单一对固定了一个阈值，而ROC曲线显示了所有阈值下的整体权衡，从而可以比较测试并有意识地选择操作点。