ROC(Receiver operating characteristic)曲线常应用于医学诊断领域,用于比较不同诊断模型的诊断性能。为了更加直接地评价诊断模型的准确性,研究人员提出ROC曲线下的全部面积(Area under the curve,AUC)来描述。然而,在实际中,两个不...
详细信息
ROC(Receiver operating characteristic)曲线常应用于医学诊断领域,用于比较不同诊断模型的诊断性能。为了更加直接地评价诊断模型的准确性,研究人员提出ROC曲线下的全部面积(Area under the curve,AUC)来描述。然而,在实际中,两个不同模型的AUC值会出现相等的情况。此外,研究人员往往需要诊断模型保持高准确性的同时有着更低的假阳性率。因此,有部分研究者提出用部分ROC曲线下的面积(Partial area under the curve,pAUC)来评估诊断模型的准确性。如何有效地对pAUC进行估计已经成为医学统计研究中的一个热点。目前,已有研究人员基于不同的估计方法对pAUC进行估计,并取得了一定的成果,但仍存在着精确性不够或鲁棒性不强等缺陷。为了进一步提高pAUC估计精度和医学诊断模型精确性,本文基于密度比模型,提出了两种pAUC半参数估计方法。首先,根据密度比模型,用半参数极大似然估计方法构建了pAUC半参数估计量,并用大样本理论分析了该估计量的统计性能,发现它比已有的pAUC非参数估计量具有更高的渐近有效性;其次,对pAUC半参数估计量进行了改进,使得改进的pAUC半参数估计量不仅具有相合渐近正态性这一良好的统计性质,还具有更简单的数学表达式;此外,本文在pAUC半参数估计量统计性质研究的基础上,结合经验似然等相关的统计理论,提出了多种性能良好的pAUC半参数置信区间构建方法。为了说明pAUC半参数估计方法的可靠度和精确度,本文对pAUC半参数置信区间在实际应用中的性能进行了仿真,并与现有的基于非参数方法构造的pAUC置信区间进行比较,发现在给定可靠度的前提下,本文提出的半参数pAUC置信区间精确度更高。最后,本文提出了一种基于pAUC半参数估计方法筛选模型的新方法,并把它应用于构建乳腺癌诊断模型。结果表明:用此方法得到的新乳腺癌诊断模型在实际应用中的预测准确性更高。这也说明了本文提出的pAUC半参数估计方法能有效地提高医学诊断模型的准确性。
暂无评论