在临床预测模型的研究中，构建模型只是第一步。如何证明你的模型能不能“分得清”、“准不准”、“有多准”以及“好不好用”，才是决定论文能否发表在核心期刊的关键。在预测模型研究中，最常见的四类图形包括：

• ROC 曲线：评价模型的区分能力

• 校准曲线：评价模型预测概率的准确性

• DCA 决策曲线：评价模型的临床应用价值与净获益

• 列线图：构建个体化预测工具，实现可视化评分与风险计算

今天，我们就来深度拆解预测模型评估中的四大可视化图形：ROC曲线、校准曲线、DCA决策曲线、列线图。

一、ROC曲线

ROC曲线（受试者工作特征曲线）是评估模型区分度最直观的工具。它回答的是：模型能不能准确区分出“患病者”和“健康者”。

1、ROC曲线简介

ROC曲线示例图如下：

• X轴横坐标为1-特异性（假阳性率）：指本来未患病的人被诊断为阳性，即在阴性人群中检测为阳性的概率，希望该值越低越好；

• Y轴纵坐标为敏感度（真阳性率）：指实际中患病的人被诊断为阳性的，即在阳性人群中检测出阳性的概率，希望该值越高越好。

理论上，若一项诊断试验具有完美的判别能力，其ROC曲线应经过坐标图左上角，此时敏感度与特异性均达到100%。而当ROC曲线接近对角线时，则表明该试验的判别能力接近随机水平，无法有效区分患病与未患病个体。因此，在ROC曲线分析中，曲线越接近左上角，通常意味着模型的区分能力越强，诊断效能越高。

2、AUC值

ROC曲线的核心指标是曲线下面积AUC，用于评估预测准确性和诊断试验价值。AUC越大，预测效果越好；AUC越小，则预测效果较差。其取值范围为0.5至1，对应的判断标准如下：

• AUC=0.5：说明完全无预测诊断价值，预测准确率和猜测效果一样；

• 0.5<AUC<0.7：预测诊断价值很低，此种情况相对较常见；

• 0.7≤AUC<0.9：预测诊断价值高，此种情况较常见；

• AUC≥0.9：说明预测诊断价值高，此种情况较好；

• AUC=1，是完美预测没有瑕疵，绝大多数情况下，不存在完美的预测诊断。

3、SPSSAU软件绘制

将数据上传至SPSSAU平台，在【可视化】模块选择【ROC曲线】，将变量拖拽至右侧对应分析框中，可选择勾选是否需要“Delong对比”和“联合诊断”结果，操作如下图： 点击“开始分析”按钮，即可得到ROC曲线相关结果，如下图： 更多关于ROC曲线的知识与案例解读可点击查看下方帮助手册：ROC曲线

二、校准曲线

如果ROC负责“分得清”，那校准曲线就负责“估得准”。它评估的是模型预测的患病概率与实际发生概率的一致性。即模型预测的30%风险，实际上是不是真的有30%的人发病？

1、校准曲线简介

校准曲线示例图如下：

• X轴横坐标为模型预测概率：将样本按预测风险分成若干组，每组的平均预测概率。

• Y轴纵坐标为实际发生概率：每组中实际发生结局的比例。

2、校准曲线解读

校准曲线图中那条倾斜 45° 的虚线，代表预测概率与实际发生概率完全一致（例如：模型预测风险为 50%，实际真的有 50% 的人发病）。

• 评判标准：曲线越靠近这条虚线，模型的校准能力越强。

• 如果在虚线下方：代表模型高估了风险（模型预言 40%，实际只有 30% 发病）。

• 如果在虚线上方：代表模型低估了风险（模型预言 20%，实际有 30% 发病）。

分析上图表现：本图中的蓝色实线在左半段稍低于虚线，右半段非常贴合，说明模型整体校准度良好，但在低风险区间有轻微的高估。

3、SPSSAU软件操作

校准回归通常是在二元logit回归和Cox回归之后使用它，二元Logit回归后，将预测概率值和真实的01二分类值进行绘制校准曲线，Cox回归时，将预测的风险函数值与真实的01生存状态值进行绘制校准曲线。

例如SPSSAU【二元logit】回归时，勾选“保存残差和预测值”，操作如下图： 得到预测值之后，进行校准曲线分析。在【实验/医学研究】模块，选择【校准曲线】，将真实值和预测概率值分别拖拽至右侧对应分析框中，操作如下图： 点击“开始分析”按钮，即可得到校准曲线结果： 更多关于校准曲线的知识与案例解读可点击查看下方帮助手册：校准曲线

三、DCA决策曲线

ROC和校准曲线只解决了数学上的准确性，而DCA决策曲线分析解决了临床获益问题。它回答的是：医生根据这个模型做决策，患者得到的“净获益”是否比盲目治疗更好？

1、DCA曲线简介

DCA曲线描述的是临床决策的“性价比”。

• 阈值：指临床干预的临界点（如：风险达到多少时开始手术）。

• 获益值：指扣除误诊损失后的净收益。 

将不同“底线”与其对应的“收益”连成线，就成了 DCA。通过分析这条线，研究者能科学判断模型在多大的风险范围内具有实用价值，从而辅助决策。

DCA曲线示例图如下：

• X轴横坐标为阈值概率：

代表临床医生或患者对干预措施（如手术、化疗）的心理接受底线。如果你认为某个病有10%的可能性是恶性的就愿意动手术，那你的阈值就是0.1。它反映了对风险的承受能力。

• Y轴纵坐标为净获益：

代表使用模型进行医疗干预后，患者得到的“实际好处”。它综合考虑了“找对人的收益”减去“找错人的损失”。数值越高，代表这个模型带来的临床价值越大。

很多人被DCA决策曲线分析的定义绕晕，其实说白了特别简单：它就是帮医生算一笔账——如果你把 “要不要干预 / 动手” 的阈值设在X，这个模型能帮你多赚到多少 “净收益” Y。把所有可能的阈值 X 和对应的净收益Y连起来，画成一条曲线，就是DCA曲线。它直接决定了你的预测模型，在临床上到底有没有用、值不值得用。

2、DCA曲线解读

在DCA图中，系统会自动生成两条极端情况下的基准线，作为衡量模型的参照线。

• Treat None全不干预基准线（图中绿色虚线）：

假设对所有患者都不进行任何干预（比如都不动手术）。因为没有任何投入也没有任何收益，所以其净获益永远为 0。它是所有预测模型的底线。如果模型曲线低于这条线，说明用模型还不如直接“撒手不管”。

• Treat All全干预基准线（图中蓝色虚线）：

假设对所有患者都进行干预（比如不论风险高低，全部拉去动手术）。这条线通常从左上角向右下角剧烈倾斜。随着阈值概率提高，全干预方案的净获益会迅速下降，甚至变成负数。它代表了传统医疗中“宁可错杀一千，不可放过一个”的极端做法。它展示了盲目过度医疗带来的巨大损失。

在解读 DCA 时，重点看模型线是否显著高于基准线。只要实线在虚线上方，就意味着这个模型在临床实践中是有“盈利”的，能够帮医生在减少不必要干预的同时，不漏掉真正的病人。

3、SPSSAU软件操作

在【实验/医学研究】模块，选择【DCA曲线】，将真实值和预测概率值分别拖拽至右侧对应分析框中，操作如下图： 点击“开始分析”即可得到DCA曲线结果，如下图： 更多关于DCA曲线的知识与案例解读可点击查看下方帮助手册：DCA曲线

四、列线图

列线图是一张把复杂的统计模型（比如 Logistic 回归或 Cox 回归）变成一张“可视化评分卡”的图。

1、列线图简介

列线图将模型中的各个影响因素（如年龄、性别等）分别画成带刻度的横线，并给每个因素赋分，只需要根据实际情况在图上打分、求和，就能一眼看出最终结果发生的概率。列线图示例如下：

• Points单项得分：

这是全图的“标尺”。列线图会将每个影响因素（如性别、年龄）对结果的影响大小，统一换算为0-100分。线段越长，代表该变量对最终结果的影响权重越大。

• 变量轴：

图中展示了“药物组别”、“性别”、“年龄”等预测指标。找到某位患者的具体情况（例如：选择“传统治疗”）。垂直向上投影到第一行的 Points 轴上，读出该项的得分（约 98 分）。依次读出所有变量的得分。

• Total Points总得分

代表所有变量得分相加后的累计总分。它衡量了患者整体的风险程度。分值越高，说明患者面临的负面结局（如死亡或发病）风险越大。

• Linear Predictor线性预测值

这是统计学模型（如 Cox 或 Logistic 回归）输出的原始预测值。通常作为中间计算步骤，在实际临床应用中较少直接使用，主要用于展示模型的数学逻辑。

• 预测结局 (10 weeks survival)

这是列线图最核心的“预言”结果。将 Total Points 计算出的总分，垂直向下投影到此行。如果一位患者的总分为 100 分，向下对应到的生存概率约为 0.78 (78%)。这意味着该患者在 10 周后的生存概率预计为 78%。

2、SPSSAU软件操作

SPSSAU中进行列线图时，其共支持二元Logit回归和Cox回归两类模型，并且均支持放入定类或者定量数据，在【实验/医学研究】模块，选择【列线图】，操作如下图： 点击“开始分析”按钮，即可得到列线图分析结果，如下图： 针对以上列线图的解读，首先计算出各项X因素的得分，比如某个病人，使用传统治疗方式并且是女性并且50以下，那么分别对应的分值Points分别是：100、2左右和42左右，那么3项Points加和的Total Points为144分左右，其对应的‘10 weeks survival’大约为0.69左右，也即意味着10周的生存率为69%左右。 更多关于列线图的知识与案例解读可点击查看下方帮助手册：列线图