研究背景
某医院开发了一个基于血液指标的疾病风险预测模型，输出每位患者的患病概率（0-1）。需要评估模型的分类性能：它能在多大程度上区分患病和未患病的人？
研究问题
该预测模型的分类准确度如何？最佳诊断阈值是多少？
数据说明
10 名患者的模型预测概率和实际诊断结果（1=患病，0=未患病）。
分析步骤
步骤 1：理解 ROC 曲线
ROC 曲线以假阳性率（FPR = 1-特异度）为 X 轴、真阳性率（TPR = 灵敏度）为 Y 轴，展示不同阈值下的分类表现。曲线越靠近左上角，模型越好。
提示：对角线（AUC=0.5）代表随机猜测。AUC=1 代表完美分类。
步骤 2：解读 AUC
AUC（曲线下面积）是模型整体分类能力的综合指标。AUC=0.85 表示：随机取一个正例和一个负例，模型给正例更高分数的概率是 85%。
步骤 3：确定最佳阈值
Youden's J = max(灵敏度 + 特异度 - 1)。本案例最佳阈值约 0.65，此时灵敏度=0.75，特异度=0.80。选择阈值需权衡漏诊（灵敏度低）和误诊（特异度低）的代价。
结果解读
结论
ROC 分析显示，模型 AUC = 0.85，分类性能良好。最佳阈值（Youden's J）约 0.65，对应灵敏度 0.75、特异度 0.80。
为什么这样解读？
AUC 不受阈值选择影响，是模型整体能力的指标。但实际应用中需要选择具体阈值——疾病筛查倾向高灵敏度（宁可误诊不可漏诊），而确认诊断倾向高特异度。
如何在论文中报告
采用 ROC 曲线分析评估疾病风险预测模型的分类性能。AUC = 0.85（95% CI [XX, XX]），表明模型具有良好的区分能力。Youden 指数法确定最佳诊断阈值为 0.65，对应灵敏度 0.75、特异度 0.80。
常见错误
只看 AUC 不看具体阈值
AUC 是整体指标，实际决策需要选择具体阈值。AUC=0.85 的模型在某个阈值下可能灵敏度只有 0.5。
在不平衡数据上只看准确率
如果 95% 的人未患病，"全部预测未患病"的准确率就有 95%，但毫无价值。应看 AUC、灵敏度、特异度。
用训练数据评估模型
在训练数据上评估会过拟合。应使用交叉验证或独立测试集计算 AUC。