4. 验证目标与假设定义

多中心医学影像模型验证最容易失败的地方，不是统计方法选错，而是目标没有在验证开始前被定义清楚。一个模型在单中心回顾性数据上 AUC 达到 0.92，并不自动意味着它在三家医院的前瞻性数据上“可用”。验证目标要回答的是：这个模型要替代或辅助哪个临床决策？在什么人群、什么场景、什么阈值下，达到什么水平的性能才算成功？这些问题必须转化为可计算、可检验的统计假设，否则后续的样本量、终点和结论都会失去依据。

从临床问题到可检验假设

临床问题通常是模糊的，例如“这个肺结节模型能不能帮放射科医生减少漏诊”。转化为验证目标时，需要明确四个要素：目标人群（如 8–30 mm 实性肺结节、低剂量 CT 筛查人群）、目标场景（如作为初筛分诊工具，而非独立诊断）、对照标准（如资深放射科医生阅片或现有临床路径）、成功标准（如敏感度不低于 90%，且非劣于医生组）。只有这四要素确定后，才能写出零假设与备择假设。

以“模型辅助分诊不劣于医生常规阅片”为例，设模型辅助组的敏感度为 p₁，医生常规组为 p₂，非劣效界值为 Δ=5%。则假设为：H₀: p₁ − p₂ ≤ −Δ（模型劣于医生超过 5%），H₁: p₁ − p₂ > −Δ。若采用优效设计，则 H₀: p₁ − p₂ ≤ 0，H₁: p₁ − p₂ > 0。注意：非劣效与优效的零假设方向不同，样本量差异可能很大，必须在方案中预先锁定。

主要终点与次要终点

主要终点是决定验证成败的唯一指标，通常只设一个，且必须与临床获益直接相关。影像模型验证中常见的主要终点包括：敏感度（筛查场景）、特异度（避免过度召回）、AUC（整体判别能力）、阳性预测值（高患病率场景）。次要终点用于支持性分析，如阴性预测值、F1 分数、校准斜率、决策曲线净收益、阅片时间缩短等。主要终点必须在多中心数据上按预设的合并规则计算，不能因为某个中心结果好就单独报告。

非劣效、优效与等效设计的选择

三种设计对应不同的临床意图。非劣效设计适用于“新方法不比现有方法差太多，但更便宜、更快、更易推广”的场景，例如 AI 分诊替代部分医生初筛。优效设计适用于“新方法确实更好”的场景，例如多模态融合模型优于单模态。等效设计则用于验证两种方法可互换，影像领域较少使用。选择时还要考虑界值 Δ 的临床合理性：Δ 不能由统计功效反推，而应由临床专家判断“差多少仍然可以接受”。

样本量估算的实际做法

样本量取决于主要终点类型、效应量、显著性水平 α、把握度 1−β、脱落率以及多中心设计效应。以两个独立比例的优效检验为例，双侧 α=0.05，把握度 80%，预期模型组敏感度 0.92，对照组 0.85，则每组约需 260 例阳性病例。若阳性率约 15%，则总筛查人数约 260/0.15×2≈3467 例。若为非劣效设计，Δ=5%，同样参数下每组约需 420 例阳性病例，总人数约 5600 例。可见界值越宽松，样本量越小，但临床说服力也越弱。

多中心验证还需考虑中心间异质性。若各中心患病率、设备型号、扫描协议差异大，应使用分层随机或按中心分层分析，并在样本量中乘以设计效应（通常 1.1–1.3）。此外，影像数据存在“同一患者多病灶”或“同一病灶多时点”的聚类结构，样本量应按患者数而非病灶数计算，或使用聚类调整。

可执行的验证目标定义清单

为避免目标漂移，建议在方案阶段填写一份简表，锁定以下字段：

最后强调：验证目标与假设必须在数据锁定前完成，任何事后修改都会破坏 I 类错误控制。多中心验证的统计方案应像临床试验一样预先注册，包括主要终点、非劣效界值、样本量、中心间异质性处理方法和缺失数据处理规则。只有目标清晰、假设可检验、样本量有据，多中心验证的结论才具备可解释性和可推广性。