统计百科 ·
ROC曲线与AUC的APA报告怎么写？诊断准确性+敏感度特异度格式全解
统计百科：专攻ROC曲线与AUC如何规范写进论文——AUC值及其95%CI、最佳截断点、敏感度与特异度的APA 7th格式，给出可直接套用的诊断试验完整报告模板，并盘点审稿人最常挑的ROC报告格式错误。
跑完ROC分析，拿到AUC = 0.84之后，怎么把它规范地写进论文？AUC要不要加置信区间、最佳截断点怎么确定和报告、敏感度与特异度的格式是什么、与参照AUC（0.5或另一个模型）比较时用什么检验——这篇文章专攻"ROC曲线与AUC怎么规范写进论文"这一具体格式点，给出APA 7th所有ROC/AUC场景的完整模板，并逐一盘点审稿人最常挑的格式错误。
你的ROC/AUC报告有这些问题吗？
审稿人或导师关于ROC/AUC报告最常见的反馈：
- "AUC要报告95%置信区间，请补充"
- "最佳截断点的选取标准未说明，是Youden指数还是其他准则？"
- "敏感度和特异度缺少置信区间"
- "两条ROC曲线的比较应报告DeLong检验的z值或p值，不能只比较AUC点估计"
- "AUC = 0.84，但没有说明是DeLong法、Hanley-McNeil法还是Bootstrap法计算的置信区间"
- "阳性预测值（PPV）和阴性预测值（NPV）依赖样本患病率，请注明研究中的患病率"
这些错误集中在医学统计、心理测量和机器学习分类评估的报告规范，但专门针对AUC/ROC汇总的APA格式实操指南并不多。本文只讲一件事：ROC曲线分析结果到底怎么规范写进论文的每一种场景。
一、ROC曲线与AUC的统计含义
ROC曲线的直觉含义
ROC曲线（Receiver Operating Characteristic curve，受试者工作特征曲线）回答的问题是：在所有可能的截断点上，诊断测试的敏感度（真阳性率）与1-特异度（假阳性率）如何权衡？
- 横轴：1 - 特异度（False Positive Rate，FPR）
- 纵轴：敏感度（True Positive Rate，Sensitivity）
- 对角线（AUC = 0.5）：随机猜测，无诊断价值
- 曲线越靠近左上角，诊断性能越好
AUC（曲线下面积）的含义
$\text{AUC} = P(\hat{Y}{positive} > \hat{Y}{negative})$
AUC的直觉含义：随机取一名真阳性患者和一名真阴性患者，模型/检验给阳性患者打的分高于阴性患者的概率。
| AUC范围 | 诊断价值参考 |
|---|---|
| 0.50 – 0.60 | 无诊断价值（接近随机） |
| 0.60 – 0.70 | 较差（Poor） |
| 0.70 – 0.80 | 尚可（Fair） |
| 0.80 – 0.90 | 良好（Good） |
| 0.90 – 1.00 | 优秀（Excellent） |
注意：以上划分标准来自Hosmer & Lemeshow（2000），不同领域（影像诊断、生物标志物、心理量表）对"可接受AUC"的要求不同，方法章节需说明所用标准。
AUC用在哪些场景
| 场景 | AUC的含义 |
|---|---|
| 单一诊断测试 | 该测试区分阳性/阴性患者的总体能力 |
| 两个测试比较 | DeLong检验比较两条ROC曲线（配对或独立） |
| 回归/分类模型评估 | Logistic回归模型整体判别力 |
| 生物标志物筛选 | 新标志物是否优于现有指标 |
| 量表截断点确定 | 心理量表用于筛查时最优切分值 |
二、APA 7th格式规范：ROC/AUC报告必须包含的要素
必报要素清单
| 要素 | 格式 | 示例 |
|---|---|---|
| AUC点估计 | AUC = X.XX | AUC = 0.84 |
| 95%置信区间 | 95% CI [X.XX, X.XX] | 95% CI [0.78, 0.90] |
| 置信区间方法 | DeLong法 / Bootstrap法 | （正文或脚注注明） |
| p值（vs. AUC = 0.5） | p = .XXX 或 p < .001 | p < .001 |
| 最佳截断点（阈值） | 截断值 = X.XX | 截断值 = 23.5 |
| 截断点选取准则 | Youden指数 / 敏感度优先等 | Youden指数最大化 |
| 敏感度（Sensitivity） | X.XX（95% CI [X.XX, X.XX]） | 0.82（95% CI [0.75, 0.88]） |
| 特异度（Specificity） | X.XX（95% CI [X.XX, X.XX]） | 0.79（95% CI [0.72, 0.85]） |
| 样本量及阳性/阴性例数 | N = XX（阳性 n1，阴性 n2） | N = 320（阳性 n = 128，阴性 n = 192） |
数值精度要求
- AUC精确到两位小数：AUC = 0.84（不写0.8或0.843）
- 敏感度/特异度精确到两位小数（如0.82），或百分比保留一位小数（82.3%），全文统一
- p值精确到三位小数，不加前导零：p = .032（不写p = 0.032）
- p = .000改写为p < .001
- 置信区间上下限均精确到两位小数：95% CI [0.78, 0.90]
三、最佳截断点的确定与报告
常用截断点选取准则
| 准则 | 公式 | 适用场景 |
|---|---|---|
| Youden指数（J） | J = Sensitivity + Specificity - 1，最大化 | 均等重视漏诊与误诊 |
| 敏感度优先 | 在敏感度 ≥ 0.90约束下最大化特异度 | 漏诊代价极高（如恶性肿瘤筛查） |
| 特异度优先 | 在特异度 ≥ 0.90约束下最大化敏感度 | 误诊代价极高（如确诊性检验） |
| 距左上角最近点 | 最小化$\sqrt{(1-\text{Sens})^2 + (1-\text{Spec})^2}$ | 图形化选取 |
| 成本效益比 | 依据误诊/漏诊的相对代价权重 | 卫生经济学研究 |
APA格式要求：截断点报告
截断点必须说明选取依据，不能只报告数值。正确写法示例：
采用Youden指数（J = Sensitivity + Specificity - 1）最大化原则确定最佳截断点，结果显示当量表得分 ≥ 24分时，Youden指数达最大值（J = 0.61），对应敏感度为0.82（95% CI [0.75, 0.88]），特异度为0.79（95% CI [0.72, 0.85]）。
四、两条ROC曲线的比较：DeLong检验格式
当需要比较两个诊断测试（如新生物标志物 vs. 传统检验）的AUC时，应使用DeLong等（1988）提出的非参数法，而非简单比较点估计。
DeLong检验报告要素
| 要素 | 格式 |
|---|---|
| 两个AUC及各自95% CI | AUC1 = X.XX（95% CI [X.XX, X.XX]），AUC2 = X.XX（95% CI [X.XX, X.XX]） |
| AUC差值及95% CI | AUC差值 = X.XX（95% CI [X.XX, X.XX]） |
| z统计量 | z = X.XX |
| p值 | p = .XXX 或 p < .001 |
| 检验方法说明 | DeLong法（配对）或 DeLong独立样本法 |
APA格式报告示例：采用DeLong法（配对样本）比较两条ROC曲线，新型标志物（AUC = 0.87，95% CI [0.82, 0.92]）的诊断准确性显著优于传统指标（AUC = 0.74，95% CI [0.68, 0.80]），AUC差值 = 0.13（95% CI [0.06, 0.20]），z = 3.74，p < .001。
五、各场景完整APA报告模板
场景一：单一诊断测试ROC分析
情形：评估某量表（0-40分）对抑郁症的筛查能力，N = 320（抑郁组 n = 128，对照组 n = 192）。
完整报告段落模板：
ROC曲线分析结果显示，[量表/检验名称]对[疾病/结局]的诊断准确性良好，
AUC = X.XX（95% CI [X.XX, X.XX]），显著优于随机水平（z = X.XX, p [值]）。
采用[Youden指数/敏感度优先/特异度优先]准则确定最佳截断值为[X]分，
对应敏感度为X.XX（95% CI [X.XX, X.XX]），
特异度为X.XX（95% CI [X.XX, X.XX]），
阳性预测值（PPV）为X.XX，阴性预测值（NPV）为X.XX
（基于样本患病率X.XX%）。
填入数值的示例：
ROC曲线分析结果显示，抑郁自评量表（SDS）对重度抑郁症的诊断准确性良好，AUC = 0.84（95% CI [0.78, 0.90]），显著优于随机水平（z = 10.24，p < .001）。采用Youden指数最大化准则确定最佳截断值为24分，对应敏感度为0.82（95% CI [0.75, 0.88]），特异度为0.79（95% CI [0.72, 0.85]），阳性预测值（PPV）= 0.74，阴性预测值（NPV）= 0.86（基于样本患病率40.0%）。置信区间采用DeLong法估计（N = 320，抑郁组 n = 128，对照组 n = 192）。
场景二：两个诊断测试的AUC比较
情形：比较新型血清标志物（Marker A）与现有指标（Marker B）对心肌梗死的诊断能力，配对设计，N = 200。
完整报告段落模板：
采用DeLong法（配对样本）比较[Marker A]与[Marker B]的ROC曲线。
[Marker A]的AUC为X.XX（95% CI [X.XX, X.XX]），
[Marker B]的AUC为X.XX（95% CI [X.XX, X.XX]）。
两条曲线的AUC差值为X.XX（95% CI [X.XX, X.XX]），
差异[显著/不显著]，z = X.XX，p [值]。
填入数值的示例：
采用DeLong法（配对样本）比较高敏肌钙蛋白T（hs-TnT）与传统肌钙蛋白I（TnI）对急性心肌梗死的诊断ROC曲线。hs-TnT的AUC为0.93（95% CI [0.89, 0.97]），TnI的AUC为0.81（95% CI [0.76, 0.86]），两条曲线的AUC差值为0.12（95% CI [0.05, 0.19]），差异显著，z = 3.41，p < .001，提示hs-TnT的诊断准确性显著优于TnI。
场景三：Logistic回归模型的AUC报告
情形：构建包含5个预测变量的Logistic回归模型，评估糖尿病风险，N = 500。
完整报告段落模板：
以ROC曲线评估Logistic回归模型的整体判别能力，
模型AUC = X.XX（95% CI [X.XX, X.XX]），
Hosmer-Lemeshow拟合优度检验显示模型拟合良好，
chi^2([df]) = X.XX，p = .XXX。
当预测概率阈值设为X.XX时（[选取准则]），
模型敏感度为X.XX（95% CI [X.XX, X.XX]），
特异度为X.XX（95% CI [X.XX, X.XX]）。
填入数值的示例：
以ROC曲线评估Logistic回归模型的整体判别能力，模型AUC = 0.88（95% CI [0.85, 0.91]），Hosmer-Lemeshow拟合优度检验显示模型拟合良好，chi^2(8) = 6.74，p = .563。当预测概率阈值设为0.42时（Youden指数最大化），模型敏感度为0.84（95% CI [0.79, 0.88]），特异度为0.82（95% CI [0.77, 0.86]），阳性预测值 = 0.78，阴性预测值 = 0.87。
场景四：多个生物标志物的AUC汇总表
当比较三个及以上标志物时，建议以表格形式汇总，文字仅描述整体规律和关键比较。
APA格式表格示例：
表1
各诊断标志物ROC曲线分析结果（N = 240）
| 标志物 | AUC | 95% CI | z | p | 截断值 | 敏感度 | 特异度 |
|---|---|---|---|---|---|---|---|
| hs-TnT | 0.93 | [0.89, 0.97] | 15.2 | < .001 | 14 ng/L | 0.88 | 0.89 |
| CK-MB | 0.81 | [0.76, 0.86] | 10.7 | < .001 | 6.5 U/L | 0.76 | 0.81 |
| Myoglobin | 0.74 | [0.68, 0.80] | 7.9 | < .001 | 85 ng/mL | 0.72 | 0.73 |
注. 95% CI采用DeLong法估计；z值为各AUC与随机水平（0.5）比较的检验统计量；截断值采用Youden指数最大化准则确定。
六、在ChatSRS一句话获得规范ROC/AUC报告
打开 chatsrs.com，上传数据后输入：
"对变量'SDS总分'做ROC曲线分析，结局变量为'诊断'（1=抑郁，0=对照），用DeLong法计算AUC的95%置信区间，用Youden指数确定最佳截断点，同时输出该截断点的敏感度、特异度、PPV和NPV（含95% CI），输出符合APA 7th格式的完整报告段落和ROC曲线图。"
ChatSRS的输出段落即为上文示例格式，AUC、截断点、敏感度/特异度数值自动填入，可直接复制进论文。
如需比较两个标志物的AUC（DeLong检验），在指令中补充：
"同时与变量'TnI'的ROC曲线做DeLong配对比较，报告AUC差值及95% CI和p值。"
七、方法章节怎么说明ROC分析
标准方法章节描述（单一诊断测试）
采用ROC曲线分析评估[测试/量表名称]对[疾病/结局]的诊断准确性，
以曲线下面积（AUC）为主要诊断性能指标，
置信区间采用DeLong等（1988）非参数法估计。
最佳截断点依据Youden指数（J = Sensitivity + Specificity - 1）最大化原则确定；
敏感度与特异度的95%置信区间以Wilson评分法计算。
所有分析使用ChatSRS（R引擎，pROC包），显著性水平设为alpha = .05。
标准方法章节描述（两条ROC曲线比较）
采用DeLong等（1988）提出的非参数方法比较两条ROC曲线的AUC，
报告AUC差值及其95%置信区间与z检验p值。
检验为双尾，显著性水平alpha = .05。
分析使用ChatSRS（R引擎）。
八、ROC/AUC报告常见错误对照表
| 常见错误 | 正确写法 | 违反的规则 |
|---|---|---|
| AUC = 0.84（无置信区间） | AUC = 0.84（95% CI [0.78, 0.90]） | CI为必报要素 |
| 截断点无选取依据 | 最佳截断点 = 24分（Youden指数 J = 0.61） | 须说明选取准则 |
| 两AUC只比较点估计 | DeLong法，z = 3.74，p < .001 | 差异须经检验，非目视比较 |
| p = .000 | p < .001 | .000是舍入假值 |
| 敏感度写百分比，特异度写小数 | 统一用小数（0.82）或百分比（82%） | 全文格式不统一 |
| PPV/NPV不注明患病率 | PPV = 0.74（基于样本患病率40.0%） | PPV/NPV依赖患病率 |
| 未说明CI计算方法 | 置信区间采用DeLong法估计 | 方法须可重复 |
| AUC写三位小数 | AUC = 0.84（不写0.843） | APA精度规范 |
常见FAQ
Q：AUC一定要加95%置信区间吗，AUC = 0.84可以直接报告吗？
A：不行。单独报告AUC点估计违反APA 7th关于"所有效应量必须报告置信区间"的要求（Section 6.35）。AUC本质上是一个效应量估计，其不确定性由置信区间体现。95% CI [0.78, 0.90]告诉读者"真实诊断准确性有95%的概率落在这个范围"，没有CI的AUC无法判断精度——小样本时AUC = 0.84的CI可能是[0.65, 1.00]，完全没有说服力。ChatSRS默认同步输出AUC及DeLong法95% CI，无需额外操作。
Q：Youden指数是最佳截断点的唯一选取方法吗？
A：不是。Youden指数假设漏诊（假阴性）和误诊（假阳性）的代价相等，这在很多临床场景下并不成立。例如：恶性肿瘤筛查中漏诊代价远高于误诊，应优先保证高敏感度（如≥0.95）；HIV确认检验则要求高特异度。方法章节必须说明选取准则及其依据，不能默认Youden指数而不加说明。APA 7th要求研究者对所有分析决策"提供充分的理由"（Section 2.18）。
Q：敏感度0.82和特异度0.79要不要各自的95% CI？
A：建议报告，顶刊和Cochrane系统综述的方法学要求越来越严格。敏感度和特异度的CI通常用Wilson评分法（又称Score法）或Clopper-Pearson精确法计算，其中Wilson法在中等样本（n > 30）时更准确。SPSS/SAS默认输出Wald法CI（有时会超出[0,1]范围），R的epiR包和pROC包均可输出Wilson法CI。ChatSRS在ROC报告中默认输出Wilson法敏感度/特异度CI。
Q：ROC分析结果在论文里放在结果部分的哪一段？
A：通常紧跟描述统计/人口学特征表之后，在回归分析或主要比较分析之前，独立成一个"诊断准确性"或"ROC曲线分析"小节。建议结构：①交代样本阳性/阴性分布 → ②报告整体AUC及CI → ③报告最佳截断点及其敏感度/特异度 → ④（如有）报告AUC组间比较结果 → ⑤插入ROC曲线图（标注最佳截断点）。
快速参考：ROC/AUC报告格式速查卡
[单一诊断测试]
AUC = X.XX, 95% CI [X.XX, X.XX], z = X.XX, p [= .XXX / < .001]
最佳截断值 = XX（Youden指数J = X.XX）
敏感度 = X.XX（95% CI [X.XX, X.XX]），特异度 = X.XX（95% CI [X.XX, X.XX]）
PPV = X.XX，NPV = X.XX（患病率 = X.XX%）
[两条ROC曲线比较（DeLong法，配对）]
AUC1 = X.XX（95% CI [X.XX, X.XX]）
AUC2 = X.XX（95% CI [X.XX, X.XX]）
AUC差值 = X.XX（95% CI [X.XX, X.XX]），z = X.XX, p [值]
[Logistic回归模型整体判别力]
AUC = X.XX（95% CI [X.XX, X.XX]）
Hosmer-Lemeshow: chi^2([df]) = X.XX, p = .XXX
预测概率阈值 = X.XX（[选取准则]）
敏感度 = X.XX，特异度 = X.XX
[精度规范]
AUC: 两位小数（0.84，不写0.843）
敏感度/特异度: 两位小数（0.82）或百分比一位小数（82.3%），全文统一
p值: 三位小数，不加前导零（p = .032，不写p = 0.032）
p = .000 → p < .001
相关阅读
本文首发于ChatSRS官方博客。如有问题或反馈，欢迎在ChatSRS站内 [用户中心 -> 帮助与反馈] 联系我们。