ROC Curve & Diagnostic Performance Analysis
Saisissez le gold standard (0=négatif / 1=positif) et une mesure continue : calcul automatique de l'AUC (avec IC 95 %), tracé de la courbe ROC, and gives the optimal cut-off by the Youden index with the corresponding sensitivity, specificity, predictive values, and likelihood ratios. A core tool for imaging diagnostic-performance studies.
① Saisie data
One record per row: gold standard (0 or 1) + measured value, separated by space/Tab/comma. You can copy two columns from Excel.
Mode d'emploi et méthodologie
Que peut faire l'analyse de courbe ROC ?
La courbe ROC (receiver operating characteristic) évalue à quel point un indicateur continu distingue deux états (p. ex. bénin vs malin, malade vs non). Plus l'aire sous la courbe (AUC) est proche de 1, plus la discrimination est forte. En imagerie, elle sert souvent à évaluer la valeur diagnostique d'un indicateur quantitatif (ADC, taux de rehaussement).
Quelle AUC est utile ?
En général 0,5 = aucune discrimination (pile ou face), 0,7–0,8 = modérée, 0,8–0,9 = bonne, >0,9 = excellente. Rapportez l'AUC avec son IC 95 % ; si la borne inférieure de l'IC est proche ou sous 0,5, la valeur diagnostique est incertaine.
Comment le seuil optimal est-il déterminé ?
Cet outil choisit le seuil optimal en maximisant l'indice de Youden (sensibilité + spécificité − 1). Mais le choix clinique doit pondérer les coûts des diagnostics manqués vs faux positifs — le dépistage favorise une haute sensibilité, la confirmation une haute spécificité — donc pas forcément le point maximisant Youden.
Comment préparer les données ?
Un enregistrement par ligne : première colonne = référence (0 = négatif/normal, 1 = positif/malade), seconde = valeur mesurée du sujet. Si l'indicateur est « plus bas = anormal » (certains scénarios ADC), inversez le sens de décision. Chaque groupe positif et négatif nécessite au moins 2 cas.
Collez le lien dans Slack, Teams, X ou LinkedIn — l’aperçu utilise la carte Open Graph de cette page.