3. 模型评估指标体系（一）
在医学影像AI中，分类任务是最常见的建模形式之一：肺结节良恶性判别、乳腺钼靶BI-RADS分级、眼底图像糖网分级、病理切片肿瘤亚型分类等，本质上都是把一张（或一组）影像映射到某个类别标签。要判断一个分类模型“好不好”，不能只看它“准不准”，而必须从多个角度拆解它的错误结构。本节围绕混淆矩阵展开，系统梳理准确率、敏感度、特异度、PPV、NPV、F1、AUC-ROC与AUC-PR这八个核心指标的定义、计算方式，以及在医学影像场景中容易踩的解读陷阱。
一、一切从混淆矩阵开始
分类指标几乎都可以从混淆矩阵推导。以二分类为例，把“阳性”定义为“患病/恶性/需要干预”，把“阴性”定义为“无病/良性/无需干预”，则测试集上的预测结果可归入四个格子：
- TP（真阳性）：实际阳性，模型也判为阳性；
- FN（假阴性）：实际阳性，模型判为阴性——漏诊；
- FP（假阳性）：实际阴性，模型判为阳性——误诊；
- TN（真阴性）：实际阴性，模型也判为阴性。
四个数字一旦确定，绝大多数指标就是它们的比值组合。理解每个指标“分母是谁”，是避免误读的关键。
二、阈值无关指标：准确率、敏感度、特异度
准确率（Accuracy）是最直观的指标，等于(TP+TN)/总数，表示模型判对的比例。它在类别均衡时很有参考价值，但在医学影像中往往具有欺骗性。假设某筛查任务中恶性结节仅占1%，一个把所有样本都判为“良性”的模型准确率高达99%，却漏掉了全部阳性病例。因此，看到准确率时必须同时问一句：阳性率是多少？
敏感度（Sensitivity，Recall，召回率）等于TP/(TP+FN)，回答“真正有病的人里，模型抓出了多少”。在筛查场景（如肺癌低剂量CT筛查、糖网筛查）中，敏感度直接对应漏诊风险，通常要求尽可能高，例如不低于90%。特异度（Specificity）等于TN/(TN+FP)，回答“真正没病的人里，模型排除了多少”。特异度低意味着大量健康人被误判为阳性，带来不必要的穿刺、活检与心理负担。
敏感度与特异度是一对“跷跷板”：把分类阈值调低，更多样本被判为阳性，敏感度上升、特异度下降；阈值调高则相反。因此单独报告某一阈值下的敏感度/特异度并不完整，必须说明阈值如何选取，或直接给出ROC曲线。
三、阈值相关指标：PPV、NPV与F1
PPV（阳性预测值，精确率）等于TP/(TP+FP)，回答“模型判为阳性的人里，真正有病的比例是多少”。它直接对应临床上的“阳性结果可信度”。NPV（阴性预测值）等于TN/(TN+FN)，回答“模型判为阴性的人里，真正没病的比例”。
这里有一个极易被忽视的陷阱：敏感度和特异度是模型的内在属性，不随患病率变化；而PPV和NPV会随患病率显著变化。例如某模型敏感度90%、特异度90%，在患病率50%的人群中PPV约为90%；但若用于患病率1%的筛查人群，PPV会骤降到约8.3%——也就是说，模型报出的阳性里九成以上是假阳性。这就是为什么同一个模型在不同医院、不同人群中的“阳性预测值”可能天差地别。
F1分数是PPV与Recall的调和平均：F1 = 2·PPV·Recall/(PPV+Recall)。它同时惩罚漏诊和误诊，在类别不平衡时比准确率更能反映模型对少数类的识别能力。但F1默认精确率与召回率同等重要，若临床更看重敏感度，可改用Fβ分数（β>1偏向召回率）。
四、曲线指标：AUC-ROC与AUC-PR
上述指标都依赖一个固定阈值。为了评估模型在所有阈值下的整体表现，引入ROC曲线：横轴为FPR（1-特异度），纵轴为TPR（敏感度），遍历所有阈值得到一条曲线。AUC-ROC即曲线下面积，取值0.5（随机）到1.0（完美）。它的概率解释是：随机取一个阳性样本和一个阴性样本，模型给阳性打分更高的概率。AUC-ROC对类别不平衡相对不敏感，这是它的优点，也是它在医学影像中的隐患——当阳性极其罕见时，FPR的微小绝对变化就能让ROC曲线看起来很漂亮，但临床上的假阳性数量依然巨大。
AUC-PR以Recall为横轴、Precision为纵轴，曲线下面积即AUC-PR。在阳性率极低的任务（如罕见病筛查、病灶检测）中，AUC-PR比AUC-ROC更能反映实际临床价值。一个模型可能AUC-ROC达到0.95，但AUC-PR只有0.3，意味着在保证召回率时精确率很低，阳性结果大量是假的。因此，报告结果时建议同时给出AUC-ROC与AUC-PR，并结合患病率说明。
五、一个可复算的示例
假设某肺结节良恶性分类模型在200例测试集上运行，其中恶性80例、良性120例。取阈值0.5时，混淆矩阵为：TP=68，FN=12，FP=18，TN=102。据此可计算：
准确率 = (68+102)/200 = 85.0%
敏感度 = 68/(68+12) = 85.0%
特异度 = 102/(102+18) = 85.0%
PPV = 68/(68+18) = 79.1%
NPV = 102/(102+12) = 89.5%
F1 = 2×0.791×0.850/(0.791+0.850) = 81.9%若把阈值降到0.3，模型更倾向判阳性，假设变为TP=76，FN=4，FP=40，TN=80，则敏感度升至95%，特异度降至66.7%，PPV降至65.5%。这组对比清楚展示了阈值移动如何改变指标组合：筛查场景可能接受低特异度换取高敏感度，而确诊场景则相反。评估时必须结合临床用途选择阈值，而不是默认0.5。