針對特定疾病，下列何種分析最適合用於同時評估多個檢測標誌的優劣？

本題觀念：

本題目在考查各種統計分析方法在評估診斷標誌（biomarker）或檢測方法表現上的適用性。重點是比較多個檢測標誌同時評估其敏感性（sensitivity）、特異性（specificity）及整體辨識能力（overall discriminatory power）的最佳工具。

選項分析

• 選項A 簡單直線迴歸（simple linear regression）
  簡單直線迴歸用於描述並量化兩個連續變數之間的線性關係，依迴歸線最小平方法（ordinary least squares）估計斜率和截距(en.wikipedia.org)。迴歸分析關注預測值與實際值之間的差異，而非檢測工具的敏感性或特異性，無法生成 ROC 曲線或比較多個標誌的診斷性能。因此不適用於本題所述「同時評估多個檢測標誌優劣」的需求。

• 選項B 接受者操作特性曲線（ROC curve）
  ROC 曲線以假陽性率（1–specificity）為橫軸、真陽性率（sensitivity）為縱軸，可視化不同閾值下診斷試驗的性能。曲線下面積（AUC）可作為單一標誌或綜合模型的整體辨識力指標；不同標誌的 AUC 亦可直接比較，落點越接近 1 表示辨識能力越佳(en.wikipedia.org)。若對同一受試者使用多個標誌，可透過比較各自 ROC 曲線或其 AUC 值，甚至在對應 specificity 或 sensitivity 水準下做配對 ROC 曲線檢定（paired ROC test），以同時評估多個檢測標誌的優劣(pubmed.ncbi.nlm.nih.gov)。符合題意。

• 選項C Bland–Altman 圖
  Bland–Altman 繪製兩種測量方法對同一樣本的平均值與差值散點圖，並以 ±1.96 SD 作為一致性（agreement）上下限，用以判斷兩方法間是否可互換(en.wikipedia.org)。該圖重點在評估「量測一致性」和系統性偏差，非診斷測試敏感性／特異性的評估工具，故不能用於比較多個生物標誌對疾病的辨識能力。

• 選項D 相關係數（correlation coefficient）
  相關係數（如 Pearson’s r、Spearman’s rho）衡量兩個連續變數之間的線性（或單調）關聯程度，數值範圍介於 –1 至 +1，接近 ±1 表示強線性關係(pubmed.ncbi.nlm.nih.gov)。相關係數不區分診斷真陽性與假陽性，無法直接反映檢測方法的敏感度和特異度，亦無 AUC 概念，因此不適用於檢測標誌性能評估。

答案解析

ROC 曲線最適合用來同時評估並比較多個診斷標誌的整體表現。可透過比較各標誌的曲線下面積（AUC）或在相同敏感度／特異度水準下做配對檢定，以全面掌握各標誌的優劣。其他方法僅能評估變數關聯性（迴歸、相關）、量測一致性（Bland–Altman），並不適合診斷準確度比較。因此正確答案為選項 B：接受者操作特性曲線（ROC curve）。

核心知識點

• 敏感性（sensitivity）與特異性（specificity）的定義與計算
• ROC 曲線：繪製原理、AUC 解讀、部分 AUC（pAUC）概念
• 多標誌比較：AUC 直接比較、配對 ROC 曲線檢定
• 簡單直線迴歸（Simple Linear Regression）與相關係數（Correlation Coefficient）的應用限制
• Bland–Altman 圖在方法比較研究中評估量測一致性（agreement）的角色