分类中使用的一些评价指标

1. 敏感性(SEN)

   敏感性指由金标准确诊为有病地实验组内所检测出阳性病例数的比率（%），即实验诊断的真阳性率。其敏感性越高，假阴率也就越低。假阴率等于漏诊率，因此，敏感性高的实验诊断用于疾病诊断时，其值越高，漏诊的机会就越小。所以敏感性和假阴性率具有互补性。即 敏感性 = 真阳性 / 阳性病例数

2. 特异性(SPE)

   是指由金标准确诊为无病的对照组内所检测出阴性人数的比率（%），即诊断实验的真阴性率。特异性越高，其假阳性率也就越低。假阳性率等于误诊率，因此，特异性越高的检验诊断方法用于疾病诊断时，其发生误诊的机会就越少。由此可见，特异性和假阳性率也具有互补性。即：特异性=真阴性 / 阴性病例数

3. 阳性预测值(postive predictive value -- PPV)

   又称预测阳性结果的正确率，是指待评价的诊断试验结果判为阳性例数中，真正患某病的例数所占的比例，即从阳性结果中能预测真正患病的百分数，这也是临床医生最关心的诊断指标。阳性预测值的高低主要受患病率的影响，因此，临床实验诊断研究的阳性预测值能在不同的患病率情况下指导临床医师合理运用实验诊断项目。即：阳性预测值=真阳性/（真阳性+假阳性）

4. 阴性预测值（negative predictive value -- NPV）

   又称预测阴性结果的正确率，是指临床诊断实验检测出的全部阴性例数中，真正没有患本病的例数所占的比例。一般情况下（患病率）敏感性越高的实验诊断项目，其阴性预测值越高，相反，特异性越高的临床实验诊断阳性预测值越好。但是，患病率对预测值的影响要比敏感性和特异性的影响更为重要。即：阴性预测值=真阴性 /（真阴性+假阴性）

5. 受试者工作特征曲线 （receiver operating characteristic curve，ROC）

   受试者工作特征曲线就是以假阳性概率（False positive rate）为横轴，真阳性（True positive rate）为纵轴所组成的坐标图，和受试者在特定刺激条件下由于采用不同的判断标准得出的不同结果画出的曲线。
   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。传统的诊断试验评价方法有一个共同的特点，必须将试验结果分为两类，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，允许有中间状态，可以把试验结果划分为多个有序分类，如正常、大致正常、可疑、大致异常和异常五个等级再进行统计分析。
   AUC: 一个正例，一个负例，预测为正的概率值比预测为负的概率值还要大的可能性

参考链接

诊断实验评价指标的应用及分析
百度百科--ROC曲线
AUC,ROC讲解
多分类ROC曲线