如何基于DenseNet121模型计算ROC、灵敏度与特异度

我用DenseNet121进行乳腺癌图像分类任务，已经通过confusion_matrix、classification_report和accuracy_score完成基础评估，但始终无法计算出ROC曲线、灵敏度等指标，尝试多种方法均未成功。

模型构建与预测代码 #

import tensorflow as tf
from tensorflow.keras.layers import Flatten, Dense
from tensorflow.keras.models import Model
import numpy as np
from sklearn.metrics import confusion_matrix, classification_report, accuracy_score

in_model = tf.keras.applications.DenseNet121(input_shape=(224,224,3),
                                               include_top=False,
                                               weights='imagenet',classes = 2)
in_model.trainable = False
inputs = tf.keras.Input(shape=(224,224,3))
x = in_model(inputs)
flat = Flatten()(x)
dense_1 = Dense(4096,activation = 'relu')(flat)
dense_2 = Dense(4096,activation = 'relu')(dense_1)
prediction = Dense(2,activation = 'softmax')(dense_2)
in_pred = Model(inputs = inputs,outputs = prediction)
in_pred.evaluate(test_data,test_labels)
test_ = in_pred.predict(test_data)  # 注：原代码中test_text应为test_data
y_true = np.argmax(test_labels, axis=1)  # 修正命名：真实类别标签
y_pred_class = np.argmax(test_, axis=1)  # 修正命名：预测类别标签

已使用的基础评估代码 #

print(confusion_matrix(y_true, y_pred_class))
print(classification_report(y_true, y_pred_class))
print(accuracy_score(y_true, y_pred_class))

解决方法 #

1. 灵敏度（召回率）计算

灵敏度本质就是二分类任务中的召回率，你可以直接从classification_report输出的recall字段获取。如果需要单独计算，可使用sklearn的recall_score：

from sklearn.metrics import recall_score

# 二分类场景，指定正类别（例：类别1为阳性样本）
sensitivity = recall_score(y_true, y_pred_class, pos_label=1)
print(f"灵敏度（召回率）：{sensitivity:.4f}")

也可通过混淆矩阵手动计算：

cm = confusion_matrix(y_true, y_pred_class)
TN, FP, FN, TP = cm.ravel()
sensitivity = TP / (TP + FN)
print(f"灵敏度：{sensitivity:.4f}")

2. ROC曲线与AUC计算

ROC曲线需要基于预测概率值而非类别标签，所以要直接使用softmax输出的概率（不要用np.argmax转换后的类别）：

from sklearn.metrics import roc_curve, roc_auc_score
import matplotlib.pyplot as plt

# 提取正类（例：类别1）的预测概率
y_pred_proba = test_[:, 1]

# 计算ROC曲线的假阳性率（FPR）、真阳性率（TPR）和阈值
fpr, tpr, thresholds = roc_curve(y_true, y_pred_proba)
# 计算AUC值
auc_score = roc_auc_score(y_true, y_pred_proba)

# 绘制ROC曲线
plt.plot(fpr, tpr, label=f'AUC = {auc_score:.4f}')
plt.plot([0, 1], [0, 1], 'k--', label='随机猜测')
plt.xlabel('假阳性率（FPR）')
plt.ylabel('真阳性率（TPR，即灵敏度）')
plt.title('ROC曲线')
plt.legend()
plt.show()

print(f"AUC值：{auc_score:.4f}")

注意事项

• 确认test_labels格式：如果test_labels已经是类别索引（非one-hot编码），无需np.argmax(test_labels, axis=1)，直接用y_true = test_labels即可。
• 原代码中test_text属于笔误，需修正为test_data。

内容的提问来源于stack exchange，提问作者Eda