在医学人工智能研究中，我们经常会遇到分类模型的评估问题。最常见的工具就是 混淆矩阵 及其衍生的性能指标。然而，很多初学者在解读这些指标时容易产生误区。本文将结合实际案例，系统梳理混淆矩阵中的关键指标，并解释它们在医学影像中的意义。

混淆矩阵基础

混淆矩阵的基本形式如下（以二分类为例）：

• TP (True Positive）：真实为正，预测为正
• FN (False Negative）：真实为正，预测为负（漏诊）
• FP (False Positive）：真实为负，预测为正（误诊）
• TN (True Negative）：真实为负，预测为负

常见指标及公式

基于混淆矩阵，可以推导出多个性能指标：

1. Accuracy（准确率）
   $$Accuracy=\frac{TP+TN}{TP+TN+FP+FN}$$
   衡量总体预测正确的比例。类别均衡时有参考价值，但在医学场景中若类别不平衡，容易被高估。

2. Precision（精确率，阳性预测值）
   $$Precision=\frac{TP}{TP+FP}$$
   在所有预测为正类的样本中，真正为正的比例。对应“预测结果的可信度”。

3. Recall（召回率，敏感性 Sensitivity）
   $$Sensitivity=Recall=\frac{TP}{TP+FN}$$

   在所有真实正类样本中，能被正确预测出来的比例。医学里常称“敏感性”，对应“漏诊率”的反面。

4. Specificity（特异性）
   $$Specificity=\frac{TN}{TN+FP}$$
   在所有真实负类样本中，能被正确识别为负的比例。对应“误诊率”的反面。

5. F1-score
   $$F1=\frac{2\times (Precision\times Recall)}{(Precision+Recall)}$$
   Precision 与 Recall 的调和平均数，在样本不均衡时尤其有参考价值。

常见分类指标对照表:

案例分析：四分类腹部 CT 疾病诊断

我们在一个腹部 CT 数据集上训练了疾病分类模型，类别包括：

• 肝癌 (HCC)
• 肝囊肿 (Liver cyst)
• 胰腺癌 (Pancreatic cancer)
• 健康/无明显病变 (Normal)

模型在测试集上的混淆矩阵如下：

针对 胰腺癌 类别：

• TP = 223
• FN = 108
• FP = 25
• TN = 1753
• 总样本数 = 2109

计算指标：

• Accuracy = (223 + 1753) / 2109 ≈ 0.937
• Precision = 223 / (223 + 25) ≈ 0.899
• Recall (Sensitivity) = 223 / (223 + 108) ≈ 0.673
• Specificity = 1753 / (1753 + 25) ≈ 0.986
• F1-score ≈ 0.770

结果解读

• 为什么 Accuracy 高达 0.937？
  因为大多数样本不属于胰腺癌，TN 数量巨大，从而抬高了总体正确率。

• 真正反映模型检测胰腺癌能力的指标是 Recall ≈ 0.67，说明约三分之一的胰腺癌病例被漏诊。

• Precision 较高（0.90），说明模型预测为胰腺癌的病例大多确实属于胰腺癌，但 Recall 较低，意味着仍有不少漏诊病例。

混淆矩阵可视化建议

1. 行归一化混淆矩阵：对每一行（真实标签）做归一化，直接展示每类样本的 Recall。
2. 同时报告 Precision/Recall/F1：避免只用 Accuracy 掩盖模型在少数类上的不足。
3. 结合医学背景解读：如对“漏诊”高度敏感的任务，更应关注 Recall/Sensitivity；而对“避免误诊”要求更高的任务，则需关注 Specificity。

总结

• 敏感性 (Sensitivity) = 召回率 (Recall)，描述模型检出正类的能力。
• 特异性 (Specificity)，描述模型避免误诊的能力。
• Accuracy 往往容易被 TN 拉高，不应单独作为评价依据。
• 在医学应用中，Precision、Recall、F1、Specificity 都是不可或缺的指标。