从给定的569个数据样本中随机抽取400个样本 作为训练集，其余样本作为测试集，建立基于AdaBoost的乳腺癌预测模型，计算预测准确率、感敏度和特异度，并绘制ROC曲线。

好的，这个问题已经更加具体了，我将提供一个基于Python的实现思路，假设你已经将数据集保存为了名为BCdata.csv的文件。

1. 加载数据集并将其分为训练集和测试集：

import pandas as pd
from sklearn.model_selection import train_test_split

# 加载数据集
data = pd.read_csv('BCdata.csv')

# 分割数据集为训练集和测试集
train_data, test_data, train_label, test_label = train_test_split(
    data.iloc[:, 1:], data.iloc[:, 0], train_size=400, stratify=data.iloc[:, 0])

2. 特征选择：

from sklearn.feature_selection import SelectKBest, f_classif

# 特征选择，这里选择前20个特征
selector = SelectKBest(f_classif, k=20)
train_data = selector.fit_transform(train_data, train_label)
test_data = selector.transform(test_data)

3. 建立AdaBoost模型：

from sklearn.ensemble import AdaBoostClassifier
from sklearn.tree import DecisionTreeClassifier

# 建立AdaBoost模型
base_estimator = DecisionTreeClassifier(max_depth=2)
model = AdaBoostClassifier(base_estimator=base_estimator, n_estimators=200, learning_rate=0.1)
model.fit(train_data, train_label)

4. 模型评估：

from sklearn.metrics import accuracy_score, recall_score, precision_score, f1_score, roc_curve, auc
import matplotlib.pyplot as plt

# 预测测试集
y_pred = model.predict(test_data)

# 计算准确率、感敏度、特异度、F1分数
accuracy = accuracy_score(test_label, y_pred)
recall = recall_score(test_label, y_pred)
precision = precision_score(test_label, y_pred)
f1 = f1_score(test_label, y_pred)

# 计算ROC曲线和AUC
fpr, tpr, _ = roc_curve(test_label, y_pred)
roc_auc = auc(fpr, tpr)

# 绘制ROC曲线
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver operating characteristic example')
plt.legend(loc="lower right")
plt.show()

以上就是一个基于AdaBoost的乳腺癌预测模型的完整实现。需要注意的是，这个实现并不是最优的，你可以根据具体情况进行调整和优化。