ROC 曲线与 cutoff 建立分析目的受试者工作特征receiver operatingcharacteristicROC曲线评价定量指标区分阳性与阴性结局的能力常用于建立诊断截断值cutoff。ivdtools的roc()提供渐进式工作流roc()创建对象 →describe()→auc()AUC与置信区间→cutoff()Youden 与最近拐角最优截断值→plot()与summary()。本文以一个完整的单标记物示例演示 ROC分析全流程。参考变量必须是二分类若原始参考为连续变量应先转二分类参见《定性分析》中的continuous_to_binary()并记录阈值与阳性方向。::: celllibrary(ivdtools) library(readr):::函数概述函数 主要用途 关键输入或输出roc()创建 ROC 对象cols、reference、id、positivedescribe()标记物描述统计 参考强制按分类处理auc()AUC 与置信区间 逐标记物cutoff()最优截断值 Youden 与最近拐角需先auc()plot()ROC 曲线cutpoint标出最优点summary()汇总示例单标记物 ROC 分析读取和核验数据::: cellroc_dat - read_csv(./data/roc-example.csv, show_col_types FALSE) roc_dat - as.data.frame(roc_dat) str(roc_dat):::::: celltable(roc_dat$ref):::参考列ref为 0/1 二分类正、负各 50 例。创建对象与描述::: cellro - roc(roc_dat, cols x1, reference ref, id sid) ro:::::: cellro - describe(ro):::参数说明roc()的cols为定量标记物列reference为二分类参考列数值 0/1、二水平 因子或二取值字符均可positive指定阳性水平不给出时默认取排序后的最后一个水平。每个标记物的方向geq/leq按阳性组均值自动判断。AUC::: cellro - auc(ro):::::: cellro$auc_table:::标记物 x1 的 AUC ≈ 0.94295% CI [0.894, 0.990]区分能力较强。最优截断值::: cellro - cutoff(ro):::::: cellprint(ro$cutoff_table):::cutoff()给出全部候选截断值及对应的灵敏度、特异度、Youden指数等并用两种准则标记最优Youden最大化Se Sp − 1与最近拐角最小化到 (0,1) 的距离。本例Youden/Corner 最优截断值均为 8.76灵敏度 0.90、特异度 0.92、Youden0.82。参数说明cutoff()必须先于auc()执行之前完成auc()plot(cutpoint...)需要已执行cutoff()。cutpoint可选Youden、Corner、all或NULL。图形与汇总::: cellplot(ro, cutpoint Youden):::::: cellsummary(ro):::结果判读要点参考可靠ROC 结论依赖参考标准参考错误会传导到 AUC 与 cutoff。方向确认确认标记物的判定方向geq/leq符合临床意义。cutoff 选择Youden 与最近拐角是两种准则最终 cutoff应结合临床代价假阴/假阳权重 与方案确定不能只看统计最优。样本量AUC的置信区间随样本量与事件数变化小样本或事件过少时谨慎解释。方法限制本工作流为经验 ROC/梯形 AUC配对多曲线比较、部分 AUC等需另行设计。独立验证在训练数据上的 AUC是表观性能推广前应在独立数据上验证。