ROC曲線（receiver operator characteristic curve），即受試者工作特征曲線，是以診斷試驗的（1-特異度）為橫坐標，靈敏度為縱坐標所繪制的曲線。該曲線與對角線構成的曲面面積（area under the curve, AUC）可反映檢測方法的真實性。一般地，AUC越接近1，檢測方法真實性越高；AUC在0.5~0.7之間，表示檢測方法真實性較低；AUC在0.7~0.9之間，表示檢測方法真實性中等；AUC在0.9以上，表示檢測方法真實性較高。

（ROC曲線   本圖來自網絡）

ROC分布資料大致分為有序分類資料和連續型資料兩種形式，下面屬有序分類資料。

【篩檢試驗的評價指標】

金標準指當前公認的診斷疾病最可靠的標準方法。

真陽性（true positive）：經金標準診斷的病人，篩檢試驗為陽性者,反之為假陽性（false negative）; 

假陽性（false positive）：經金標準診斷為非病人，篩檢試驗為陽性者，反之為真陰性（true negative）;

靈敏度（sensitivity）：即真陽性率，反映篩檢試驗發現病人的能力。

陽性預測值：篩檢發現的陽性者中患目標疾病的人所占比例。

靈敏度=TP/(TP+FN)  

陽性預測值=TP/(TP+FP)

特異度（specificity）,即真陰性率，反映篩檢試驗鑒別排除病人的能力。

陰性預測值：篩檢發現陰性者中不患目標疾病的人所占比例。

特異度=TN/(TN+FP)

陰性預測值=TN/(TN+FN)

【ROC曲線的用處】

 1.ROC 曲線能很容易地查出任意界限值時的對疾病的識別能力。
2. 選擇最佳的診斷界限值。
3. 用來比較兩種或兩種以上不同診斷試驗對疾病的識別能力。（在對同一種疾病的兩種或兩種以上診斷方法進行比較時，可將各試驗的 ROC 曲線繪制到同一坐標中，以直觀地鑒別優劣，靠近左上角的 ROC 曲線所代表的受試者工作最準確。亦可通過分別計算各個試驗的 ROC 曲線下的面積 (AUC) 進行比較，哪一種試驗的 AUC 最大，則哪一種試驗的診斷價值最佳。）

【案例解析】

有109份CT影像，其中有51份采用金標準準確為異常，58份確診為正常。某放射醫生對這些CT影像的異常程度按1,2,3,4,5的順序進行分類，結果如圖所示。若想知道放射醫生利用CT影像診斷能力（數據來源宇傳華書籍）

①因為該資料為分類變量，故需要對頻數加權；即

②“分析”→“ROC曲線圖”

③，點擊“選項”，

【輸出結果】

ROC曲線下的面積為0.893，診斷結果中等；當然也可以參考各結果

大家發現沒，SPSS做出的ROC曲線并不美觀，下面我們用另一款統計軟件MedCalc做ROC曲線（MedCalc可以說是做ROC曲線最好的），其結果相差不大。

【案例分析】

某醫院內科醫生想知道吸煙是否對肺癌的發生有害(假設其他因素已確定，值考慮吸煙），并預知準確性如何？（本數據來源網絡）“PRE_1”即為肺癌發生的預測值，本數據為連續性資料。

①單擊“statistic”→“ROC curve”→“ROC curve analysis”

②點擊，如圖所示，“OK”即可

【輸出結果】

ROC曲線

其結果的讀取和SPSS基本類似，這里就不重復贅述了！