科研Labs › ROC 曲线与诊断效能
ROC 曲线与诊断效能分析
输入金标准（0=阴性 / 1=阳性）与连续测量值，自动计算 AUC（含 95%CI）、绘制 ROC 曲线， 并按约登指数给出最佳截断值及对应的敏感度、特异度、预测值、似然比。影像诊断效能研究核心工具。
① 输入数据
每行一条：金标准（0 或 1）+ 测量值，用空格/Tab/逗号分隔。可从 Excel 两列复制。
使用说明与方法学
ROC 曲线分析能做什么？
ROC（受试者工作特征）曲线用于评价一个连续指标区分两类状态（如良性 vs 恶性、有病 vs 无病）的能力。曲线下面积 AUC 越接近 1，区分能力越强。影像诊断研究中常用于评价某定量指标（如 ADC 值、强化率）的诊断价值。
AUC 多少算有价值？
通常 0.5 表示无区分能力（等同抛硬币），0.7–0.8 为中等，0.8–0.9 为良好，大于 0.9 为优秀。报告 AUC 时应同时给出 95% 置信区间；若置信区间下限接近或低于 0.5，则诊断价值不确定。
最佳截断值怎么确定？
本工具按约登指数（敏感度 + 特异度 − 1）最大原则自动选取最佳截断值。但临床实际选点还需权衡漏诊与误诊的代价——筛查场景倾向高敏感度，确诊场景倾向高特异度，不一定取约登指数最大点。
数据怎么准备？
每行一条记录：第一列为金标准（0 = 阴性/正常，1 = 阳性/患病），第二列为该对象的测量值。若指标「越低越提示异常」（如某些 ADC 场景），可切换判定方向。阳性、阴性组各需至少 2 例。