ROC 曲线的 AUC 是什么意思？

AUC（曲线下面积）表示随机抽取一个阳性个体其预测值高于随机阴性个体的概率，等于 0.5 相当于随机猜测，等于 1 表示完美区分。

AUC 达到多少算好？

常用经验标准：0.5 无区分力，0.7-0.8 为可接受，0.8-0.9 为良好，> 0.9 为优秀；具体阈值应结合应用场景判断。

ROC 曲线的横纵坐标分别代表什么？

纵轴是真阳性率（灵敏度 Sensitivity），横轴是假阳性率（1 − 特异度）；曲线越靠近左上角说明诊断性能越好。

怎么用 ROC 曲线确定最佳临界值？

常用约登指数（Youden J = 灵敏度 + 特异度 − 1）最大处作为最佳截断点，即离左上角最近的点；也可根据漏诊/误诊代价的权衡来选择。

医学

ROC 曲线与 AUC 诊断效能结果怎么写

作者 / 审校：shujufenxi 编辑部·最后审校 2026-05-03

你遇到的问题

你用某个指标或预测模型区分患者与非患者，画出了 ROC 曲线、算出了 AUC，却不知道 AUC 到底多大才算「有诊断价值」，最佳截断值该怎么定，是否要报置信区间，以及两个模型的 AUC 谁高谁低到底能不能说「显著更好」。

适用场景

适用于评价一个连续或有序指标（或预测模型输出的概率）对二分类结局（患病/未患病、事件/未事件）的判别能力。前提是有一个公认的金标准来界定真实类别，且样本中两类都有一定数量。ROC 关注的是「区分能力」，与具体截断点无关；一旦要落到某个临床决策阈值，才需要确定截断值。

正确做法

以敏感度为纵轴、1−特异度为横轴绘制 ROC 曲线，计算曲线下面积 AUC 并报告其 95% 置信区间。AUC=0.5 表示无判别能力（等于抛硬币），0.7–0.8 一般视为可接受，0.8–0.9 为良好，大于 0.9 为优秀。最佳截断值常用约登指数（Youden index = 敏感度 + 特异度 − 1）最大处确定，并在该点报告对应的敏感度与特异度。若要比较两个模型或指标的 AUC 是否有统计学差异，对同一批样本应使用 DeLong 检验，报告 AUC 差值及其 p 值，而不是仅凭两个 AUC 数值大小直接下判断。

报告示例：该生物标志物诊断早期病变的 AUC 为 0.86（95%CI [0.81, 0.91]），提示良好的判别效能。以约登指数最大确定最佳截断值为 12.5 ng/mL，此时敏感度为 82.4%、特异度为 78.9%。与传统指标（AUC=0.74，95%CI [0.68, 0.80]）相比，新标志物的 AUC 显著更高（DeLong 检验，差值=0.12，p=.003）。

常见错误

错误一：只报一个 AUC 数值，不报 95% 置信区间，也不做检验就断言「我的模型比对照好」，无法说明差异是否稳定可靠。错误二：直接拿两个来自同一样本的 AUC 比大小、或用独立样本的检验方法比较配对的 AUC，正确做法是对同一批受试者用 DeLong 检验做配对比较。

需要更进一步？

如果你已经算出 AUC、约登指数和一堆敏感度特异度，却拿不准怎么组织成规范的诊断效能段落，可以把 SPSS、MedCalc 或 R 的 ROC 输出整段贴进本站的统计结果解读器，它会帮你挑出该报的数字并给出表述框架。若涉及多个模型的两两比较、截断值的临床权衡或带协变量的 ROC 分析，这类判断更需要经验，建议预约辅导。

操作步骤

SPSS

确保数据含二分类金标准（0＝无病、1＝有病）与一个连续检验变量。
分析→分类→ROC 曲线。
连续指标移入「检验变量」，金标准移入「状态变量」，在「状态变量的值」填入阳性取值（如 1）。
勾选「ROC 曲线」「带对角参考线」「标准误和置信区间」以及「坐标点」。
读取 AUC、95% CI 与 p；在坐标表中按约登指数最大处确定最佳截断值。

library(pROC)
roc_obj <- roc(dat$disease, dat$marker, levels = c('0','1'), direction = '<')
ci.auc(roc_obj)  # AUC 及 95% CI（DeLong 法）
coords(roc_obj, x = 'best', best.method = 'youden', ret = c('threshold','sensitivity','specificity'))

完整示例（模拟数据）

评估某血清标志物对疾病的诊断价值，N＝200（患者 120、非患者 80；模拟数据样例）。

为评估血清标志物的诊断价值，绘制 ROC 曲线（N＝200，患者 120、非患者 80；模拟数据样例）。曲线下面积 AUC＝0.86（95% CI [0.81, 0.91]，p＜0.001），提示良好区分能力。以约登指数最大为准则确定最佳截断值为 4.7，此时敏感度 0.83、特异度 0.78、约登指数 0.61，可作为临床判读的参考阈值。

统计量	数值
AUC（95% CI）	0.86 [0.81, 0.91]
显著性	p＜0.001
最佳截断值	4.7
敏感度 / 特异度	0.83 / 0.78
约登指数	0.61

常见疑问

ROC 曲线的 AUC 是什么意思？: AUC（曲线下面积）表示随机抽取一个阳性个体其预测值高于随机阴性个体的概率，等于 0.5 相当于随机猜测，等于 1 表示完美区分。
AUC 达到多少算好？: 常用经验标准：0.5 无区分力，0.7-0.8 为可接受，0.8-0.9 为良好，> 0.9 为优秀；具体阈值应结合应用场景判断。
ROC 曲线的横纵坐标分别代表什么？: 纵轴是真阳性率（灵敏度 Sensitivity），横轴是假阳性率（1 − 特异度）；曲线越靠近左上角说明诊断性能越好。
怎么用 ROC 曲线确定最佳临界值？: 常用约登指数（Youden J = 灵敏度 + 特异度 − 1）最大处作为最佳截断点，即离左上角最近的点；也可根据漏诊/误诊代价的权衡来选择。

参考来源

· Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression (3rd ed.). Wiley.
· Pepe, M. S. (2003). The Statistical Evaluation of Medical Tests for Classification and Prediction. Oxford University Press.
· Hanley, J. A., & McNeil, B. J. (1982). The meaning and use of the area under a ROC curve. Radiology, 143(1), 29-36.

用统计结果解读器生成结果段落预约辅导

工具输出请自行核对后使用。内容参考见方法论标准。

← 返回知识库