感度・特異度・ROC曲線

診断テストの評価

混同行列（Confusion Matrix）

診断テスト（検査やAIモデル）の結果は、次の4つのカテゴリに分類されます。

• TP（真陽性） — 病気がある人を正しく陽性と判定
• TN（真陰性） — 病気がない人を正しく陰性と判定
• FP（偽陽性） — 病気がないのに陽性と判定（見間違い）
• FN（偽陰性） — 病気があるのに陰性と判定（見逃し）

この4つの数値から、感度・特異度をはじめとする様々な性能指標が計算されます。

感度（Sensitivity）

定義

感度は、実際に病気がある人のうち、テストで正しく陽性と判定される割合です。

感度 = TP / (TP + FN)

別名として真陽性率（True Positive Rate）、再現率（Recall）とも呼ばれます。機械学習の文脈ではRecallがよく使われます。

感度が高いことの意味

• 感度が高い → 病気の見逃し（偽陰性）が少ない
• 感度が低い → 病気を見逃しやすい

特異度（Specificity）

定義

特異度は、実際に病気がない人のうち、テストで正しく陰性と判定される割合です。

特異度 = TN / (TN + FP)

別名は真陰性率（True Negative Rate）です。

特異度が高いことの意味

• 特異度が高い → 健常者を誤って陽性と判定すること（偽陽性）が少ない
• 特異度が低い → 不要な精密検査や治療を発生させやすい

ROC曲線とAUC

ROC曲線とは

ROC（Receiver Operating Characteristic）曲線は、閾値（カットオフ値）を変化させたときの感度と1−特異度（偽陽性率）の関係をプロットした曲線です。

• X軸: 1 − 特異度（偽陽性率）
• Y軸: 感度（真陽性率）
• 閾値を連続的に変化させて各点をプロット

曲線が左上隅に近いほど性能が高く、対角線（45度線）に近いほどランダムな予測（コイン投げ）に近いことを意味します。

AUC（Area Under the Curve）

AUCはROC曲線の下の面積で、モデル全体の識別能力を0.5から1.0の間で表す単一の数値です。

感度と特異度のトレードオフ

閾値の選択が鍵

感度と特異度はトレードオフの関係にあります。閾値を下げて陽性判定を広げると感度は上がりますが、特異度は下がります。

このバランスをどこに設定するかは、臨床状況に依存します。

最適な閾値の決定方法

• Youden指数 — 感度 + 特異度 − 1 を最大化する閾値
• 臨床的判断 — 偽陽性と偽陰性のコストを重み付けして判断
• ROC曲線上の点 — 左上隅に最も近い点を選択

医療AIでの活用例

ある画像診断AIの性能評価結果が以下だったとします。

• 感度: 0.92（がんを92%検出）
• 特異度: 0.88（正常を88%正しく判定）
• AUC: 0.95（優れた識別能力）

この場合、100人のがん患者のうち92人を正しく検出でき、100人の健常者のうち88人を正しく正常と判定できます。臨床現場に導入する際は、残り8%の偽陽性と8%の偽陰性をどう対処するか（放射線科医のダブルチェックなど）を設計する必要があります。

まとめ

• 混同行列の4つの要素（TP, TN, FP, FN）が診断性能評価の基礎
• 感度は「病気を見逃さない能力」、特異度は「健常者を正しく識別する能力」
• ROC曲線で閾値ごとの感度・特異度の関係を可視化できる
• AUCはモデル全体の識別能力を単一の数値で表す
• 感度と特異度のバランスは臨床状況に応じて設定する