醫學影象評價指標

阿新 • • 發佈：2019-01-07

前言

在論文閱讀的過程中，經常遇到使用特異性（specificity）和靈敏度（sensitivity）這兩個指標來描述分類器的效能。對這兩個指標表示的含有一些模糊，這裡查閱了相關資料後記錄一下。

分類問題

考慮一個二分類的情況，類別為1和0，我們將1和0分別作為正類（positive）和負類（negative），則實際分類的結果有4種，表格如下：

從這個表格中可以引出一些其它的評價指標：
- ACC：classification accuracy，描述分類器的分類準確率
計算公式為：ACC=(TP+TN)/(TP+FP+FN+TN)
- BER：balanced error rate
計算公式為：BER=1/2*(FPR+FN/(FN+TP))
- TPR

：true positive rate，描述識別出的所有正例佔所有正例的比例，敏感度（sensitivity）、查全率（Recall）
計算公式為：TPR=TP/ (TP+ FN)
- FPR：false positive rate，描述將負例識別為正例的情況佔所有負例的比例
計算公式為：FPR= FP / (FP + TN)
- TNR：true negative rate，描述識別出的負例佔所有負例的比例，特異度（specificity）
計算公式為：TNR= TN / (FP + TN)
- PPV：Positive predictive value，陽性預測值、查準率（Precision）
計算公式為：PPV=TP / (TP + FP)
- NPV

：Negative predictive value，陰性預測值
計算公式：NPV=TN / (FN + TN)

維基百科的附圖：

下面以醫學中糖尿病人的篩查為例對敏感度和特異度進行解釋。在這個例子中，我們只將病人血糖水平作為判斷是否患有糖尿病的指標。下圖為正常人和糖尿病患者血糖水平的統計圖：

我們發現兩個人群中有重疊的部分，這個時候判定標準定的不同，得到的結果就會不同。
如果我們把標準定在最左邊的虛線上，則低於這條線的為正常人，高於這條線的包含了兩類人：正常人和糖尿病患者。這種時候就是靈敏度最高的時候，即實際有病而被診斷出患病的概率，沒有放過一個患病的人。如果將標準定在最右邊的虛線上，則是特異度最高的時候，即實際沒病而被診斷為正常的概率，沒有冤枉一個沒病的人。
終上所述

，敏感度高=漏診率低，特異度高=誤診率低。
理想情況下我們希望敏感度和特異度都很高，然而實際上我們一般在敏感度和特異度中尋找一個平衡點，這個過程可以用ROC(Receiver Operating Characteristic)曲線來表示：