ROC曲线图的核心理念在于，它将敏感度和特异性视为一个连续变化的过程，并通过一条曲线来描绘诊断系统的整体性能。其制作原理是基于在连续变量中，选取不同的界值点，然后计算相对应的灵敏度和特异度。随后，以敏感度为纵坐标，1-特异性（即假阳性率）为横坐标，绘制出一条真阳性率与假阳性率之间的曲线。

在医学文章中，我们经常会看到ROC曲线图的应用。

首先，我们来看看如何使用ROC曲线图：

1. ROC曲线图能够评估某个或多个指标（例如，建立的模型或多个关键基因）对两类测试者（如患者和正常人）进行分类及诊断的效果。通过为某个指标或多个指标绘制ROC曲线，并计算各自的AUC（曲线下面积），我们可以直观地了解到哪个指标的分类或诊断效果更为出色。这是ROC曲线在当前生物医学文献中最主要的作用，也是其最为广泛的应用。

2. ROC曲线图还能帮助我们寻找最佳的指标阈值（即cutoff值），以使得分类效果达到最佳。

接下来，我们来看看如何解读ROC曲线图：

在解读之前，我们需要先了解几个关键概念：

• 真阳性率（TPR）：也被称为灵敏度，它表示所有实际为阳性的样本中，被正确地判断为阳性的比例。

• 假阳性概率（FPR）：它表示所有实际为阴性的样本中，被错误地判断为阳性的比例。FPR等于1减去特异度。

• 特异度（Specificity）：也被称为真阴性率（TNR），它表示所有实际为阴性的样本中，被正确地判断为阴性的比例。

• 约登指数（Youden Index）：这个指数反映了区分真正的患者与非患者的总能力。它是灵敏度和特异度之和减去1，取值范围在0到1之间。约登指数越大，表示分类模型的性能越好。其最大值对应的就是该方法的最佳诊断临界值，即cutoff值。

• AUC（Area under Curve）：它是ROC曲线下的面积，取值范围在0.1到1之间。AUC值越大，预测准确率越高，因此它可以直观地评价模型的预测准确性。

在ROC曲线图中，横坐标表示特异性（即假阳性率），纵坐标表示敏感性（即真阳性率）。ROC曲线图是反映敏感性与特异性之间关系的曲线，X轴越接近零，Y轴越大，代表模型的准确率越高。

在评估预测性能时，我们通常会根据AUC值来判断：

• 如果AUC值越接近于1，说明曲线下方面积越大，预测模型的准确率越高。

• 如果AUC值等于1，那么这是一个完美的分类器，该模型至少存在一个阈值，可以将正负样本完美地划分开。

• 如果AUC值在0.5到1之间，那么模型的预测性能优于随机猜测，且数值越大，分类器越好。

• 如果AUC值等于0.5，那么模型的预测性能相当于随机猜测，没有实际的预测价值。

• 如果AUC值小于0.5，那么模型的预测性能比随机猜测还要差。但是，如果我们反向预测，该模型仍然可能优于随机猜测。

最后，我们来看看如何绘制ROC曲线图：

我们可以使用SPSS软件或MedCale软件来绘制ROC曲线图。在这里，我们主要介绍MedCale软件的操作方法（对SPSS软件操作方法感兴趣的同学可以自行学习）。

首先，我们需要整理数据并导入MedCale。数据可以是SPSS中的数据，直接复制到MedCale中，并在最上面一行填写变量名称；或者是原始数据在Excel中，直接用MedCale打开Excel文件。

在数据准备好之后，我们可以开始执行操作程序：

在标签栏中选择“Statistics”—“ROC curves”—“ROC curve analysis”，然后在主对话框中进行设置：在“Variable”一栏中选择我们研究的变量（例如method1），在“Classification variable”一栏中选择诊断结局（例如gold），其他设置可以按原始设置进行，然后点击“OK”。

最后，我们可以对结果进行解读：例如，我们可以读取到AUC=0.947，特异度为91.11%，灵敏度为90.91%，约登指数为0.8203，对应的截断值cut-off为108.9。这些信息可以帮助我们评估模型的预测性能以及找到最佳的诊断临界值。