多类别ROC分析中最佳截断点的确定：联合指数法的泛化研究

为解决多类别分类中最佳截断点确定难题，研究人员通过泛化联合指数法（GIU），在模拟和真实数据中验证其优于现有方法的性能。结果表明，GIU在高体积曲面下值（VUS）及全分布场景中均表现优异，其无需复杂计算的结构为ROC分析提供了高效解决方案。

　　

现有成熟的二分类方法虽部分已扩展至多类别场景，但确定最佳截断点仍是挑战。本研究将二分类中表现优异的联合指数法(Index of Union, IU)泛化为广义联合指数法(Generalized Index of Union, GIU)，通过模拟与真实数据对比验证发现：GIU不仅能高效处理高体积曲面下值(Volume Under Surface, VUS)场景，还适用于各类数据分布。其独特优势在于无需复杂计算即可快速输出结果，为多类别受试者工作特征(ROC)分析提供了普适性解决方案。