发布时间：
一、 ROC分析的基础。检验医学的论文大题可以分为两类，一类是方法学论文，只要是质量控制，方法学评价，对比等，另一类就是实验室指标的应用，使用指标诊断疾病，观察指标与疾病预后和病理分期的关系等。ROC分析的文章就属于后者，其目的主要是评价某指标对某种疾病的诊断意义。如“AFP在肝癌诊断中的作用”，“CEA，NSE联合诊断肺癌”等。众所周知，用单一实验室指标去诊断疾病，单独提高敏感性必然会降低特异性，反之亦然；换句话说，减少误诊必然增加漏诊。比如，某医师欲采用AFP诊断肝癌，该医师制定的诊断标准是AFP大于10mmol/L，显然按照此标准诊断肝癌，具有很高的敏感性，是不会漏诊肝癌的的，因为几乎所有的肝癌患者AFP都大于10 mmol/L。但是另一方面，依据此标准却容易造成误诊，因为AFP大于10 mmol/L的病人中，除了肝癌还有肝炎和肝硬化等肝脏疾病。该医师意识到这个问题后，将肝癌诊断标准从10 mmol/L提高到1000 mmol/L，并以此作为诊断肝癌的标准，显然，以此为标准，自然是不会误诊病人，因为AFP大于1000 mmol/L几乎就可以肯定是肝癌了。但是另一方面，却增加了漏诊，因为不是所有的肝癌患者AFP都大于1000 mmol/L的。由此可见，漏诊和误诊之间是相互矛盾的，减少误诊必然以增加漏诊为代价，减少漏诊又必然以增加误诊为代价，敏感性与特异性始终是鱼与熊掌不可兼得的矛盾。那么该如何协调灵敏度和特异性呢？最好的方法就是做ROC分析（注意：ROC只是针对计量指标）。将病例组和与之难以鉴别诊断的疾病放在一起，采用需要研究的指标去诊断疾病，以1-特异度为横坐标，敏感性为纵坐标。观察指标变化时，敏感性与特异性的关系，绘制ROC曲线（具体程序都有SPSS完成）。然后根据曲线的结果对指标进行判断。ROC 有什么用途呢？大体上说，主要有以下几种用途：1，判断单一指标的诊断效力，曲线下面积越大，指标的诊断效力越大；2，比较不同指标的诊断效力。不懂的再看看相关书籍。二， 如何设计一个高质量的ROC分析2．1．样本例数的估计大部分研究，在开展之前，一定要进行样本数的估计，样本量太少，统计效率低下，容易犯2类错误。样本量太高，不仅造成经济上的浪费，还增加了很多不可控制的因素，降低了实验质量。国内部分医务人员单纯认为样本量越大，研究结果越可靠，这是片面的。实际上，个人认为，一般研究，把样本量控制在最小估计样本量的上限再加20％就可以了（主要是在前瞻性的研究中防止脱落）。样本量的估计由于园子里无法打公式，我就不写了，具体可以参考相关书籍。2．2 对照组和实验组的设置一个实验室指标，要不仅要强调其敏感性，还要强调其特异性，对照组的设置主要是为了体现指标的特异性，即鉴别诊断的能力。基于此，对照组的设置应该是和疾病组症状相似，如果不采用实验室诊断指标是很难进行鉴别的疾病。比如肝硬化和肝癌。国内部分文章，在设立对照组时加入了健康人群组，这是不科学的。因为健康人群和有疾病的人群通过症状体征基本就能鉴别，何需实验室指标。当然，如果一个指标是很新颖的指标，或者无症状疾病的诊断（这类疾病很少），在首次或者最初的研究中可以加入健康对照组，以观察疾病组和健康对照组之间是否具有差别，这是可以理解的，但是对于研究有明显症状，可以轻而易举和健康人区分的疾病，是不需要设立健康对照组的。实验组和对照组应该充分体现在均质上面，就是不采用实验室指标，光凭症状病史很难进行鉴别诊断的一类人群。最好的方法就是采用统一的纳入标准。比如，欲使用AFP诊断肝癌，较好的纳入标准就是将医院所有年龄大于40周岁，有黄疸或者其它肝病症状，怀疑为肝癌患者的首诊人群，至于纳入研究的人群是肝癌还是其它良性肝病，先不用管，使用指标鉴别诊断就是。需要说明的是，具体的标准根据专业知识而定，上面列出的标准仅仅供参考。一个ROC研究质量的高低，在很大程度上取决于纳入标准的科学性，这也是对研究者能力的考验。国内部分杂志甚至部分国外杂志，在纳入研究对象的时候，仅仅说实验组有多少名病例组成，对照组有**病**例，**病**例。这实际上是不科学的，或者不值得提倡的。比如同样对RF诊断RA进行研究，某研究人员只是简单交待对照组由强直性脊柱炎20例，系统性红斑狼疮30例组成DD这很难反映这些疾病与肝癌是否需要鉴别，因为有的强直性脊柱炎和红斑狼疮因为症状比较典型，是不需要和RA进行鉴别的。同时还牵涉到另外一个问题，就是没有对疾病进行病理分期。很多指标，与疾病的病理分期有关。比如肿瘤标志物。也有的与疾病的病程密切相关，比如心肌损伤标志物。在对这一类指标进行研究时，一定要考虑疾病的分层。比如研究CK对AMI的诊断作用，一定要在纳入标准中限制就诊时间，比如规定本研究只纳入急性胸痛后2小时内就诊的人群，且都在一个时间段内（比如胸痛后3－4小时）进行检测，当然，限制的时间越窄，研究质量越高，但是病例越少，研究难度越大，所以自己需根据研究能力，专业知识等决定纳入标准。对于与病理分期有关的疾病，如果有足够的病例进行分层，可以分层研究，如果没有，应该交待病例构成，病例构成最好能接近实际情况（依据专业知识掌握），有的还可以根据专业进行其它基线特征的比较，比如：在AFP诊断肝癌的研究中，可以采用卡方检验对病例组和对照组的肝功能（分级）进行比较。实际上，在进行ROC分析前，最好比较两组的其它指标是否均衡，若不均衡，那说明纳入标准还不是很严谨，或者说明该指标也可以作为诊断指标，可将其也进行ROC分析。国内多数论文不交待病例构成，没有两组其它特征的比较，甚至连基本的年龄，性别比较都没有。让读者无法判断两组病例是否均质，该研究是否有意义。需要说明的时，研究纳入标准越严格，病例分层越细，研究质量越高，但是研究难度越大。具体需要达到什么样的研究目的，有无必要进行分层和严格限制等，研究者根据实际情况而定。 实验组一定要有金标准所谓金标准，就是确诊一个疾病的方法或者方案。对于实验组病例的纳入，一定要使用金标准确诊。换句话说，纳入实验组的病例就应该是纳入一个算一个。相反的，有时病例组要求不是太严格。常用的确诊方法，比如：RA，应采用1987年美国风湿病学会的诊断标准确诊，肿瘤应根据病例确诊，胆结石应该根据术中所见确诊。具体的金标准可以参考各个专业的相关知识。国内多数ROC分析文章对金标准交待不明确，让读者无法判断研究的质量。这是不严谨的表现。 ROC相关参数的解释由ROC曲线产生的参数较多，cut-off值，敏感性，特异性，曲线下面积（AUC），阳性预测值，阴性预测值，阳性似然比，阴性似然比，约登指数等。在进行专业解释时，一般无需全部列出，但是cut-off值，敏感性，特异性，曲线下面积（AUC）是必须交待的。国内部分论文在讨论相关指标时，常犯的错误有：各个指标没有可信区间，以样本代替总体，简单地认为AUC越大，诊断效力越高。有的甚至认为约登指数才是判断诊断效力的关键，实际上约登指数只是对一个点而言，并不能反映指标的变化后，敏感性与特异性的变化，同时约登指数也只能初略地确定cut off。在同一个试验中比较两种指标时，要得出单一指标的诊断效力高，一定要使用AUC比较，但是这个比较并不是简单数值上的比较，而应该使用相关的统计方法。其方法比较繁琐，建议找专业人士。关于敏感性和特异性的比较，也因该有相关的比较检验方法。因为我们研究的是样本，存在抽样误差，不能用样本代替总体进行讨论。同时AUC的取值是介于和1之间的，不可能低于，国内部分文章，在处理某些降低才具有意义的指标时，受定式思维的影响，居然出现了AUC小于。纯属无稽之谈。讲个例子，某人喜欢预测别人生男孩还是生女孩，如果预测的情况90％都是正确的，那可以说某人预测得比较准，如果某人预测的情况90％都是错误的，难道这个预测就没有用了吗？聪明点的人就会反过来想，要是预测生男孩，就可以理解为要生女孩，且不是准确性又是90％。2．5 多个指标的联合诊断指标之间的联合诊断可分为系列诊断实验（串联）和平行诊断实验（并联），具体用什么联合方法，依据专业而定。有的疾病，如果需要早期诊断，早诊断对预后影响巨大的，采用并联，如急性心肌梗死。有的疾病强调特异性的，比如SLE，可以采用串联，提高特异性。说简单点：串联就是所有指标阳性才算阳性，并联就是只要有一个指标阳性就算阳性。当然，几乎所有的疾病，都是越早诊断越好，诊断越准确越好，有时很难划分清楚二者界限，除了少数疾病。因此，从谨慎的角度出发，研究者可以同时列出串联模式和并联模式，供读者自己选择。国内部分论文，在使用指标联合诊断时，要不不交待联合方式，要不就是串并联混乱使用，让读者无从理解。实际上，根据常识可以推断，两个指标不管是串联还是并联，提高敏感性就会降低特异性。串联时多个指标共同阳性才算诊断成立，因此提高了特异性，同时降低了敏感性，并联时只要有一个指标阳性，诊断就成立，提高了敏感性，降低了特异性。多个指标联合诊断是不可能出现敏感性和特异性同时升高的情况的。也就是说联合诊断是，如果敏感性较任何一个指标高（至少相等），那说明作者用的是并联，特异性就应该较任何一个参与联合的单一指标低；反之，如果联合诊断后特异性较任何一个指标高（至少相等），那说明作者用的是串联，敏感性就应该较任何一个参与联合的单一指标低；国内部分论文，在联合诊断后，居然出现指标敏感性和特异性同步升高的情况，是不符合逻辑的，说轻点就是计算错误，说重点就是DDD同时，指标之间的联合是一个点与点的联合，是两个cut－off的联合，不存在AUC这一个指标，AUC是在指标变化的时候产生的曲线面积，指标已经固定某值，何来AUC。国内部分论文在联合时又冒出个联合AUC，也属无稽之谈。有的文章甚至抛开ROC曲线，使用参考范围上限作为诊断界值，实属不理解ROC分析所致。2．6 站在临床的角度，客观评价ROC分析从理论上讲，多数情况下，多个指标的联合有助于提高疾病诊断的准确性，但是我们应该意识到，多个指标联合，会增加病人的经济负担，在诊断效力相似的情况下，肯定优先选择少量廉价的指标诊断。同时，一个指标，要成功运用于临床，必然要综合其各方面优缺点的，比如，是否易于检测，是否稳定，是否廉价，是否及时等。国内多指标联合诊断的ROC分析论文，多忽视临床需要，盲目推荐多个指标的联合诊断，脱离临床实际，削弱了文章的使用推广价值。因此在下结论推荐诊断指标，或者指标组合时，因充分考虑以上因素，慎重推荐。2．7 理智对待ROC分析ROC分析虽然综合了敏感性和特异性，客观评价了指标的诊断效力，但是也有自身的缺陷，比如：有的时候特别注重对疾病特异性的诊断，比如AIDS的确诊，假如发现某定量指标对诊断AIDS有帮助，这时切不可用ROC分析，应该结合临床实际。注重研究特异性为100％的情况，不要过多地考虑敏感性。同时，部分疾病，其诊断对实验室指标依赖性不强，很多指标变化只是疾病作为的结果，也不宜使用ROC分析，因为实验室指标还面临来自影像学，病理学，病史，物理检查的挑战，在实验室指标不具备优势的情况下，不要盲目采用ROC分析。如从理论上讲，WBC计数可以用于诊断创伤，但是创伤的诊断绝对不依赖于WBC，因为其诊断主要靠病史。且不要闹笑话，采用ROC分析，分析WBC在创伤诊断中的作用。
ROC曲线的含义是通过改变分类器的阈值，绘制出不同的TPR和FPR值，进而评估分类器的性能，以便更好地选择分类器的阈值。ROC曲线的形状越接近左上角，说明分类器的性能越好。ROC曲线的应用十分广泛，尤其是在医学领域和金融领域中，常常用于评估疾病诊断、金融欺诈检测等二分类问题的性能。除了ROC曲线，还有一些其他的评价指标，如精确率、召回率等，但是在某些情况下，这些指标的评价效果并不理想，而ROC曲线则能够综合评估分类器的性能，因此被广泛应用。ROC是英文“Receiver Operating Characteristic”的缩写，中文称为“受试者工作特征曲线”。ROC曲线是一种常用的评价二分类模型性能的方法，用于评估分类器的性能。ROC曲线的横坐标为假阳率（False Positive Rate，FPR），纵坐标为真阳率（True Positive Rate，TPR），在不同的阈值下，绘制出的曲线可以直观地反映出分类器的性能。总之，ROC曲线是一种常用的评价分类器性能的方法，能够通过改变阈值，绘制出不同的TPR和FPR值，进而评估分类器的性能，具有广泛的应用前景。
ROC曲线可以衡量分类器的准确性和灵敏度，具有重要的应用价值。
1.理解ROC曲线的基本概念
ROC（Receiver Operating Characteristic）曲线是一种分类器的综合性能指标，以假阳性率（False Positive Rate, FPR）为横坐标，真阳性率（True Positive Rate, TPR）为纵坐标，在平面直角坐标系中描绘的曲线形状。
ROC曲线的总面积是1，曲线下方面积越大，分类器的准确性越高。
2.应用于医学诊断
在医学图像分析中，ROC曲线可以帮助医生判断肿瘤恶性程度。
医学实验表明，针对性生成对抗网络（Conditional GAN）的ROC曲线面积可达到，比传统方法更加准确。
3.应用于金融风控
在金融领域，ROC曲线在评估信用卡欺诈检测模型方面具有广泛使用。利用ROC曲线可以把交易分数设置为阈值，并根据TPR和FPR来优化分类器的性能。
4.应用于工业质检
在工业领域，ROC曲线用于评估分类器的缺陷检测能力。在汽车质检中，利用ROC曲线可以帮助工人在扫描所有汽车表面时准确识别外观和结构性问题。
5.应用于信息检索
在信息检索领域，ROC曲线是衡量搜索引擎的性能的一个重要因素，可以用来比较不同搜索算法的优劣。利用ROC曲线可以对计算机程序进行性能评估，以选择最佳的词向量表示算法。
6.应用于生物医学领域
在生物医学领域，ROC曲线广泛应用于定量化筛选（Quantitative screening）中，通过对疾病标记物进行分析来判断病症。
例如，利用还原空间重构方法，可以通过绘制基于诊断类受试者作为正样本，而健康控制组和其他非目标疾病作为负样本的ROC曲线，预测确诊恶性肿瘤的概率。
以上是ROC曲线在不同领域的应用价值，可以看出其非常广泛。根据具体领域和实际需求，我们可以选择合适的ROC曲线方法来进行分类器评估和性能优化。
医学roc曲线的绘制与解释如下：
ROC 曲线是根据一系列不同的二分类方式(分界值或决定阈),以真阳性 率(灵敏度)为纵坐标,假阳性率(1-特异度)为横坐标绘制的曲线。
受试者工作特征曲线 ( receiver operator characteristic curve, ROC 曲线），最初用于评价雷达性能，又称为接收者操作特性曲线。
ROC 曲线是根据一系列不同的二分类方式(分界值或决定尔），以真阳性率 （灵敏度）为以坐标，假阳性率(1-特异度)为横坐标绘制的曲线。传统的诊断试验汗价方法有一个其同的特点，必须将武验结果分为两类 ，再进行统计分析。
ROC 曲线的评价方法与传统的评价方法不同，无须此限制，而是根据实际情况许有中间状态，可以把武验结果划分为多个有序分类，如正常、大致正常、可疑、大致常和升常五个等级再进行统计分析。因此，ROC 曲线评价方法适用的范国更为广泛。
1ROC 曲线能很容易地查出任意界限值时的对疾病的识别能力。
2选择最佳的诊断界限值。ROC 曲线越章近左上角,试验的准确性就越高。最靠近左上角的ROC 曲线的点是错误最少的最好国值，其假阳性和假阴性的总数最小。
两种或两种以上不同诊断试验对疾病识别能力的比较。在对同一种疾病的两种或两种以上诊断方法进行比较时 ，可将各过验的 ROC 曲线绘制到同一坐标中，以直观地鉴别优劣，靠近左上角的ROC 曲线所代表的受试者工作最准确。
ROC曲线在我的记忆中，是在本科三年级的循证医学课，预防医学课上学过的，现在已经很模糊了，但是好像需要用上，这一次来回顾下： ROC曲线 (receiver operating characteristic curve) ,又称受试者工作特征曲线，或感受性曲线 (sensitivity curve) . 用简单的话概括，就是用于评价，比较诊断性实验的效果，是否有应用价值。或者选择适合的截断值，用于诊断实验。 ROC曲线纵坐标为真阳性率（TPR灵敏度），横坐标为假阳性率（1-特异度FPR）。关于真阳性率，假阳性率等的概念这里不做赘述。曲线越靠近左上角，越有诊断价值，ROC曲线下面积越大，越有应用价值。
在一个二分类模型中，如风险打分模型，假设采用逻辑回归分类器，
其给出针对每个实例为正类的概率，那么通过设定一个阈值如，概率大于等于的为正类，小于的为负类。对应的就可以算出一组(FPR,TPR)，在平面中得到对应坐标点。
ROC曲线实际上也是由一系列的点所构成，即模型的阈值不断变化，随着阈值的逐渐减小，越来越多的实例被划分为正类，但是这些正类中同样也掺杂着真正的负实例，即TPR和FPR会同时增大。阈值最大时，对应坐标点为(0,0)，阈值最小时，对应坐标点(1,1)。
对基因表达打分模型的理解也类似，根据risk score可将sample分为高风险与低风险组，而高低风险组与实际的alive, dead存在差异, 因此每个sample的score分数都不一，依次以sample的score（或正样本的预测概率）作为阈值，可得出与sample数相同的点数，其阈值改变，TPR,FRP随之改变，因而出现了我们常见的曲线。
从AUC判断分类器（预测模型）优劣的标准：
参考资料链接：
Posted on
To be or not to be is only a part of the question, the question also includes how long to be. 生存分析(survival analysis), 不想用难懂的术语去解释，很讨厌课本上的复杂句式，好像不搞那么复杂就很low?明明本身是很简单的概念。 我们来对比一下： A: 生存分析是将事件的结果和出现这一结果所经历的时间结合起来分析的一种统计学方法。(官方） B: 生存分析就是将观测和生存时间结合起来分析的统计学方法。目的在于显示某因素与生存时间的关系。（自己的） 读完A后的感觉就是我还要再去读两遍，然后问生存分析到底是干嘛的？ 生存时间的类型：完全数据（从起点到死亡），截尾数据（从起点到某一时间点）
生存资料的特点：含有截尾数据，截尾数据的真实生存时间未知，但确定的是大于生存时间。一般不呈正态分布。
条件生存概率：如年条件生存概率，月条件生存概率。
生存率：如5年生存率，指经过5年后，仍存活的概率。
生存曲线（Survival curve）:以随访时间为横轴，生存率为纵轴，将各点连成曲线。
应用于基因表达高低，可分为两组，高表达，与低表达。
分析资料： 1）估计：Kaplan-Meier法（K-M法），由Kaplan和Meier于1958年提出，适用于小样本和大样本。 2）比较：log-rank检验，非参数检验，用于比较两组或多组生存曲线。检验统计量为卡方。实为单因素分析， 要求各曲线不能交叉，如交叉提示存在混杂因素。 3）影响因素分析：Cox比例风险回归模型（最重要的模型之一），多因素分析方法，1972年提出，不考虑生存 时间分布，利用截尾数据。 4）预测：Cox回归模型预测生存率
ROC曲线可以衡量分类器的准确性和灵敏度，具有重要的应用价值。
1.理解ROC曲线的基本概念
ROC（Receiver Operating Characteristic）曲线是一种分类器的综合性能指标，以假阳性率（False Positive Rate, FPR）为横坐标，真阳性率（True Positive Rate, TPR）为纵坐标，在平面直角坐标系中描绘的曲线形状。
ROC曲线的总面积是1，曲线下方面积越大，分类器的准确性越高。
2.应用于医学诊断
在医学图像分析中，ROC曲线可以帮助医生判断肿瘤恶性程度。
医学实验表明，针对性生成对抗网络（Conditional GAN）的ROC曲线面积可达到，比传统方法更加准确。
3.应用于金融风控
在金融领域，ROC曲线在评估信用卡欺诈检测模型方面具有广泛使用。利用ROC曲线可以把交易分数设置为阈值，并根据TPR和FPR来优化分类器的性能。
4.应用于工业质检
在工业领域，ROC曲线用于评估分类器的缺陷检测能力。在汽车质检中，利用ROC曲线可以帮助工人在扫描所有汽车表面时准确识别外观和结构性问题。
5.应用于信息检索
在信息检索领域，ROC曲线是衡量搜索引擎的性能的一个重要因素，可以用来比较不同搜索算法的优劣。利用ROC曲线可以对计算机程序进行性能评估，以选择最佳的词向量表示算法。
6.应用于生物医学领域
在生物医学领域，ROC曲线广泛应用于定量化筛选（Quantitative screening）中，通过对疾病标记物进行分析来判断病症。
例如，利用还原空间重构方法，可以通过绘制基于诊断类受试者作为正样本，而健康控制组和其他非目标疾病作为负样本的ROC曲线，预测确诊恶性肿瘤的概率。
以上是ROC曲线在不同领域的应用价值，可以看出其非常广泛。根据具体领域和实际需求，我们可以选择合适的ROC曲线方法来进行分类器评估和性能优化。
ROC曲线在我的记忆中，是在本科三年级的循证医学课，预防医学课上学过的，现在已经很模糊了，但是好像需要用上，这一次来回顾下： ROC曲线 (receiver operating characteristic curve) ,又称受试者工作特征曲线，或感受性曲线 (sensitivity curve) . 用简单的话概括，就是用于评价，比较诊断性实验的效果，是否有应用价值。或者选择适合的截断值，用于诊断实验。 ROC曲线纵坐标为真阳性率（TPR灵敏度），横坐标为假阳性率（1-特异度FPR）。关于真阳性率，假阳性率等的概念这里不做赘述。曲线越靠近左上角，越有诊断价值，ROC曲线下面积越大，越有应用价值。
在一个二分类模型中，如风险打分模型，假设采用逻辑回归分类器，
其给出针对每个实例为正类的概率，那么通过设定一个阈值如，概率大于等于的为正类，小于的为负类。对应的就可以算出一组(FPR,TPR)，在平面中得到对应坐标点。
ROC曲线实际上也是由一系列的点所构成，即模型的阈值不断变化，随着阈值的逐渐减小，越来越多的实例被划分为正类，但是这些正类中同样也掺杂着真正的负实例，即TPR和FPR会同时增大。阈值最大时，对应坐标点为(0,0)，阈值最小时，对应坐标点(1,1)。
对基因表达打分模型的理解也类似，根据risk score可将sample分为高风险与低风险组，而高低风险组与实际的alive, dead存在差异, 因此每个sample的score分数都不一，依次以sample的score（或正样本的预测概率）作为阈值，可得出与sample数相同的点数，其阈值改变，TPR,FRP随之改变，因而出现了我们常见的曲线。
从AUC判断分类器（预测模型）优劣的标准：
参考资料链接：
Posted on
To be or not to be is only a part of the question, the question also includes how long to be. 生存分析(survival analysis), 不想用难懂的术语去解释，很讨厌课本上的复杂句式，好像不搞那么复杂就很low?明明本身是很简单的概念。 我们来对比一下： A: 生存分析是将事件的结果和出现这一结果所经历的时间结合起来分析的一种统计学方法。(官方） B: 生存分析就是将观测和生存时间结合起来分析的统计学方法。目的在于显示某因素与生存时间的关系。（自己的） 读完A后的感觉就是我还要再去读两遍，然后问生存分析到底是干嘛的？ 生存时间的类型：完全数据（从起点到死亡），截尾数据（从起点到某一时间点）
生存资料的特点：含有截尾数据，截尾数据的真实生存时间未知，但确定的是大于生存时间。一般不呈正态分布。
条件生存概率：如年条件生存概率，月条件生存概率。
生存率：如5年生存率，指经过5年后，仍存活的概率。
生存曲线（Survival curve）:以随访时间为横轴，生存率为纵轴，将各点连成曲线。
应用于基因表达高低，可分为两组，高表达，与低表达。
分析资料： 1）估计：Kaplan-Meier法（K-M法），由Kaplan和Meier于1958年提出，适用于小样本和大样本。 2）比较：log-rank检验，非参数检验，用于比较两组或多组生存曲线。检验统计量为卡方。实为单因素分析， 要求各曲线不能交叉，如交叉提示存在混杂因素。 3）影响因素分析：Cox比例风险回归模型（最重要的模型之一），多因素分析方法，1972年提出，不考虑生存 时间分布，利用截尾数据。 4）预测：Cox回归模型预测生存率
在体外诊断试剂确定临界值时，要用到ROC曲线(受试者工作特征曲线)，并计算AUC（ROC曲线下面积），用Excel做了个计算模板，录入数据及对照临界值即可自动画出ROC曲线并计算出ROC曲线下面积和临界值等参数，可能对你有帮助，可参考下。你用百度搜索百度文库的这篇excel文档：用Excel绘制ROC曲线(受试者工作特征曲线)计算临界值参考值、AUC-ROC曲线下面积
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的各种解释： Roc，[英][名]巨鸟，大鹏 Republic Of China，ROC是中华民国的缩写。 Republic of Congo 刚果共和国的缩写。 Republic of Cuba 古巴共和国的缩写。 Radius of convergence数字信号处理中，拉普拉斯转换及Z转换的收敛区域的缩写 Race of Champions 世界车王争霸赛 的缩写。 Reign of Chaos，RoC是魔兽争霸3的原始版本混乱之治的英语名称的缩写。 Required Operational Capability，[军]要求工作能力 Resd Out Counter，读出计数器 Rate Of Commerce，商业回报率 Rate of change 变动率[股票]，请参阅ROC指标 Receive Operating Characteristic 接受者操作特性曲线，请参阅ROC曲线 Recovery-oriented Computing，面向恢复计算 Raid On Chip,片上raid 现实中多指法国化妆品 世界车王争霸赛
医学roc曲线的绘制与解释如下：
ROC 曲线是根据一系列不同的二分类方式(分界值或决定阈),以真阳性 率(灵敏度)为纵坐标,假阳性率(1-特异度)为横坐标绘制的曲线。
受试者工作特征曲线 ( receiver operator characteristic curve, ROC 曲线），最初用于评价雷达性能，又称为接收者操作特性曲线。
ROC 曲线是根据一系列不同的二分类方式(分界值或决定尔），以真阳性率 （灵敏度）为以坐标，假阳性率(1-特异度)为横坐标绘制的曲线。传统的诊断试验汗价方法有一个其同的特点，必须将武验结果分为两类 ，再进行统计分析。
ROC 曲线的评价方法与传统的评价方法不同，无须此限制，而是根据实际情况许有中间状态，可以把武验结果划分为多个有序分类，如正常、大致正常、可疑、大致常和升常五个等级再进行统计分析。因此，ROC 曲线评价方法适用的范国更为广泛。
1ROC 曲线能很容易地查出任意界限值时的对疾病的识别能力。
2选择最佳的诊断界限值。ROC 曲线越章近左上角,试验的准确性就越高。最靠近左上角的ROC 曲线的点是错误最少的最好国值，其假阳性和假阴性的总数最小。
两种或两种以上不同诊断试验对疾病识别能力的比较。在对同一种疾病的两种或两种以上诊断方法进行比较时 ，可将各过验的 ROC 曲线绘制到同一坐标中，以直观地鉴别优劣，靠近左上角的ROC 曲线所代表的受试者工作最准确。
Roc，是微软联合创始人保罗·艾伦（Paul Allen）投资建造的全球最大商用航天飞机。将于2015年开始进行测试飞行，预期将在2020年正式投入使用，届时乘客可搭乘这种飞机进入太空。