医学论文中的roc曲线怎么做

你讲的是信号检测论里的吧？ROC曲线纵轴是击中率，横轴是虚报率，对角线表示随机概率。对角线以上链接对角向上弯曲的曲线就是ROC曲线。曲率越大越向上表示被试感受性越强。

曲线绘制。依据专业知识，对疾病组和参照组测定结果进行分析，确定测定值的上下限、组距以及截断点（cut-off point），按选择的组距间隔列出累积频数分布表，分别计算出所有截断点的敏感性、特异性和假阳性率（1-特异性）。以敏感性为纵坐标代表真阳性率，（1-特异性）为横坐标代表假阳性率，作图绘成ROC曲线。曲线评价统计量计算。ROC曲线下的面积值在和之间。在AUC>的情况下，AUC越接近于1，说明诊断效果越好。AUC在 ～时有较低准确性，AUC在～时有一定准确性，AUC在以上时有较高准确性。AUC=时，说明诊断方法完全不起作用，无诊断价值。AUC<不符合真实情况，在实际中极少出现。3.两种诊断方法的统计学比较。两种诊断方法的比较时，根据不同的试验设计可采用以下两种方法：①当两种诊断方法分别在不同受试者身上进行时，采用成组比较法。②如果两种诊断方法在同一受试者身上进行时，采用配对比较法。

我要这个答案，哎，不会啊，他有哪些用途啊

ROC是受试者工作特征(Receiver Operating Characteristic)的缩写。ROC曲线及ROC曲线下面积可作为某一诊断方法准确性评价的指标；通过对同一疾病的多种诊断试验分析比较，这些指标可帮助临床医生筛选出最佳诊断方案。国内外许多学者通过对不同类型资料进行研究，相继提出了ROC曲线面积估计、可信区间估计和面积比较假设检验的参数和非参数方法。 曲线及曲线下面积的含义ROC曲线即受试者工作特征曲线。美国生物统计百科全书中关于ROC的定义是：“对于可能或将会存在混淆的两种条件或自然状态，需要试验者、专业诊断学工作者及预测工作者作出精细判别，或者准确决策的一种定量方法”。经过大量学者的研究、实践，目前，ROC分析已经成为临床科研文献中应用最广泛的统计方法，是国际公认的比较、评价两种或两种以上影像诊断方法效能差异性的客观标准。ROC曲线是以假阳性率(即1－特异度)为横坐标、以真阳性率(即灵敏度)为纵坐标绘制而成。 ROC曲线下面积(area under the ROC curve，AUC记为A)的大小可从量上具体表明诊断试验的准确度。ROC曲线作为诊断试验准确度的评价指标可理解为：（1）所有可能特异度的平均灵敏度值；（2）所有可能灵敏度值的平均特异度值；（3）随机选择的病例试验结果比随机选择的对照试验结果更有可能怀疑“有病”的概率。理论上，当诊断试验完全无诊断价值即完全凭机会区分患者与非患者时，ROC曲线是一条从原点到右上角的对角线即线段(0,0)～(1,1)，这条线称为机会对角线(chance diagonal)，如果获得的ROC曲线落在这条机会对角线上，其曲线下面积为；理想的诊断试验ROC曲线应是从原点垂直上升至左上角、然后水平到达右上角，其曲线下面积为1，该ROC曲线对应的诊断试验可完全把患者判为阳性、把非患者判为阴性，但实际上这样的诊断试验极少或不存在。诊断试验的ROC曲线一般位于机会对角线的上方，离机会对角线越远说明诊断准确度越高。ROC曲线下面积实际的取值范围为～1，而一般认为:对于一个诊断试验，ROC曲线下面积在～之间时诊断价值较低，在～之间时诊断价值中等，在以上时诊断价值较高。 曲线下面积的估计 (1)双正态参数法 是通过拟合某种统计学模型来实现的，双正态模型是目前ROC曲线分析中最常使用的方法。该法假设患者和非患者的实验结果均符合正态分布，根据试验结果拟合双正态模型的ROC曲线，该曲线可用两个参数表示，一个参数用a表示，是患者组与非患者组试验结果的标准化均数之差；另一个参数可用b表示，是非患者组与患者组试验结果的标准差之比。两个参数可由公式估计得到。因为患者组和非患者组的检测结果经常不符合双正态分布条件，一般需经过正态变换，所以双正态模型的两个参数一般不宜直接计算得到，可由最大似然估计(maximum likelihood estimation，MLE)法得到。ROC分析专用软件ROCKIT 即为利用最大似然估计法得到双正态模型的两个参数及ROC曲线下面积。 (2)ROC曲线下面积估计的非参数法：非参数法是根据诊断试验的检测结果直接计算绘制ROC曲线所需的工作点(真阳性率，假阳性率)，由此绘制的ROC曲线称为经验ROC曲线，其曲线下面积可由梯形规则计算得到。Bamber于1975年发现，经验ROC曲线下面积等价于患者组和非患者组实验结果秩和检验的Wilcoxon Mann-Whitney检验统计量，因而可由Wilcoxon Mann-Whitney统计量估计曲线下面积的大小。3 参数与非参数法的选择参数法的优点是可以得到光滑的ROC曲线，面积估计值一般是无偏的。双正态参数的最大似然估计(MLE)可得到完整面积、部分面积以及某FPR值的灵敏度。ML算法的计算机程序，如ROCFIT、ROCKIT容易获得（见芝加哥大学放射学系）。但是，如果样本含量较小，可能出现退化问题，获得的某些参数将为无穷大，计算机算法将不收敛，无法获得所需要的ROC曲线指标。尽管双正态假设被反复证明是许多不同ROC曲线形式的较好近似，但很多情况下这种假设仍不适用，此时采用非参数法更好。Hajian-Tilaki等发现，即使数据不服从双正态时，参数法和非参数法产生的ROC曲线下面积及其方差也十分类似。这一结果提示，不必过分要求数据服从双正态，可根据应用的方便性与实用性来选择方法。