YOU SEI, 真偽が胸を刺激する〜ROC曲線とAUC〜

~~無理がありすぎるタイトルって言わないで。やめて。~~

今日はちょっとかっこよさのある言葉を紹介します。
その名も「ROC曲線」と「AUC」。

……え、ロック（ROC）ってロックバンドの新曲かって？
残念ながらギターやドラムは出てきません。
でも医療や看護に関わる皆さんには、とっても大事な考え方なんです。

今回の記事は機械学習の考え方に近いので「ゆるっと機械学習」から入ってきた方には馴染みがあるかもしれませんが、「ゆるっと統計学」から入った方にとっては少し応用的な内容かもしれません。
しかし、医療統計の考え方としては知っておいて損はありませんよ。

それでは、そんなROC曲線とAUCについて学んでいきましょう！！！

レッツゴーーーーー！！！

ROC曲線(receiver operating characteristic curve)って何者？

例えば、ある新しい検査で「この人は糖尿病リスクが高いかどうか」を判定する、とします。

でも現実は「100％正しく当てられる検査」なんて存在しませんよね。

この両方のバランスをどう取るか？を見やすくしたのが ROC曲線 なんです。

図にすると、横軸は「偽陽性率（誤検出）」、縦軸は「真陽性率（ちゃんと当てた割合）」。
判定基準を変えていくと、このグラフに線が描かれていきます。

イメージ的には、
「どのくらい上手に患者さんを拾えているか」
「そのためにどのくらい健康な人を巻き込んでしまっているか」
を表す曲線です。

実際のROC曲線はこちら。

ちょっと軸に張り付いている部分がありますが、青の線がROC曲線です。

オレンジの無作為分類は、「完全に当てずっぽう」な場合の形の線と考えてください。

つまり、ROC曲線（青）が無作為分類（オレンジ）から遠いほど、理想の検査に近いのです。

でも、ROC曲線を見るだけで「この検査は理想だ」「いや、当てずっぽうに近い」と判断するのはちょっと心許ないです。

そこで活躍するのが、後述するAUCです。

ROC曲線を出すと、「曲線の下の面積」を計算できます。
これが AUC（area under the curve）。通常0.5〜1の値をとります。
下のグラフの青く塗りつぶされた部分がAUCです。

という目安になります。

つまりAUCは「その検査（モデル）がどれくらい役に立つか」をざっくり点数化した指標なんです。
医療の現場では「感度・特異度」をよく聞くと思いますが、
AUCはそれをまとめて、全体的な性能を一目で示す超便利アイテムです。

例えばストレスチェックのデータを解析して、
「将来うつ病リスクが高まる人を予測するモデル」を作ったとします。

AUCが高ければ、
「このモデルを参考にすることで、リスクのある人を早めに支援できそうだ！」
と判断できます。

逆にAUCが低ければ、
「ちょっとこのモデル、現場に使うには微妙だな…」
と冷静に見極められます。

ROC曲線とAUCは、結局のところ、

「検査やモデルがどれくらい正しく人を見分けられるか」を「曲線と数字」でシンプルに示すツールです。

次回は「じゃあ実際に数式でどう表せるの？」という数学的な世界を、もう少し丁寧に探検してみましょう。~~数学から逃げないでくださいね。地平線の果てまで追いかけ回しますから。ケケケケケ………~~

それではみなさん、またお会いしましょう！！