R语言的ROC分析

Posted 2021-04-18 飞影学苑

“ 受试者工作特征曲线（Receiver Operating Curve，ROC）是医学影像研究中经常会用到的一个统计方法，用于分析一个连续变量进行二分类时的敏感性和特异性。”

ROC分析时，任意选取一个数值进行分类判别时，都有假阳和假阴的误判。100例阳性病例正确判读出80例，真阳率为80%，也就是敏感性；100例阴性正确判读出90例，真阴率就是90%，也就是特异性。以真阳率作为纵轴，假阳率作为横轴（1-特异性），每一个截断值下的真阳率和假阳率在图上表示为一个点，将截断数值由小到大遍历并连接各点，就绘制完了ROC曲线，ROC曲线下面积AUC越大，说明这个连续变量的分类鉴别准确性越高。门槛越高，敏感性越好，不过特异性差；门槛越低，特异性越好，敏感性差。选取合适的截断值cut-off value，使得敏感性+特异性之和最大。

01

—

数据准备和读取

R语言里进行第一次ROC分析前，首先需要下载pROC软件包，运行install.packages("pROC")自动下载安装。这里以胶质瘤的高低级别鉴别为例，比较APTw和ADC数值在区分高低级别胶质瘤上的敏感性/特异性。将所有入组病例测量到的APTw、ADC数值及高低级别(0为低级别，1为高级别)信息录入excel并存为csv格式文件(GliomaROC.csv)，格式如下图

使用read.csv命令读取GliomaROC.csv数据，存入新建Mydata变量。

02

—

ROC分析

ROC分析使用的是roc()函数，支持formula和常规的语法格式，formula格式更为简洁，如下图。常规的语法格式是roc(Mydata$Grade, Mydata$APTw)，分析结果的末尾显示了曲线下面积AUC。

为了方便ROC曲线作图，一般会先将roc函数结果保存下来。

03

—

ROC绘图

用plot()或者plot.roc()命令绘制两个ROC曲线在一张图上，print.thres和print.auc设置为TRUE，打印出截断值和AUC，legacy.axes设为TRUE，横轴显示为常用的1-specificity，否则会显示为specificity（x坐标1-0）。

绘制第二个ROC曲线时，需要加上add=TRUE，表示两个ROC绘制在一张图上，颜色和AUC显示的位置需要额外设置，以免重合显示，最终的ROC曲线显示如下。

长按二维码，关注飞影学苑

立足当下 · 洞见未来