2025年12月，《Lancet Digital Health》發(fā)表了一篇總結文章“Evaluation of performance measures in predictive artificial intelligence models to support medical decisions: overview and guidance”，對評估AI預測模型性能的幾大類指標進行了評估。文章討論了五大性能維度的32種性能指標及其圖形化評估方法，這五個維度包括：

1)區(qū)分度（discrimination）

2)校準度（calibration）

3)整體性能（overall performance）

4)分類（classification）

5)臨床效用（clinical utility）

其中，前四個維度反映統(tǒng)計性能，第五個維度則體現(xiàn)決策分析性能。

文章以ADNEX模型為例來講解這些指標及其特性（該模型用于預測女性卵巢腫瘤的惡性概率）。文章建議以下指標和圖表應作為AI預測模型報告中的核心內容：受試者工作特征曲線下面積（AUC-ROC）、校準圖（calibration plot）、基于決策曲線分析的臨床效用指標（如凈收益[net benefit]）、按結局類別展示的概率分布圖。

五大性能維度

1、區(qū)分度（discrimination）

區(qū)分度關注模型是否能為實際發(fā)生事件的個體比未發(fā)生事件的個體分配更高的事件概率。區(qū)分度反映的是相對性能，即模型所估計的概率絕對值大小并不重要，關鍵在于這些概率能否有效區(qū)分有事件個體與無事件個體。

2、校準度（calibration）

校準度關注模型估計的概率與實際觀察到的事件發(fā)生率之間的一致性。校準度體現(xiàn)的是絕對性能，用于評估概率估計值是否過高或過低。因此，一個模型可能具有良好的區(qū)分度但校準度較差，反之亦然。

3、整體性能（overall performance）

整體性能綜合了區(qū)分度與校準度，通過量化模型估計的概率與真實結局（0表示無事件，1表示事件）之間的接近程度，來評估模型表現(xiàn)。

4、分類（classification）

第四和第五個性能維度需要設定一個事件風險的閾值，將個體劃分為兩個互斥的組別：低風險組（估計風險低于閾值）和高風險組（估計風險等于或高于閾值）。這種分組通常關聯(lián)著某種干預措施（例如手術），即建議對高風險個體實施干預，對低風險個體則不建議干預。因此，該閾值可稱為“決策閾值”。也可以使用多個決策閾值將個體劃分為三個或更多組別，本文聚焦于常見的單閾值情形。

分類性能關注個體被正確歸類為高風險或低風險的程度。該維度基于列聯(lián)表（又稱混淆矩陣），對分類結果（低風險 vs. 高風險）與實際結局（事件 vs. 無事件）進行交叉匯總。當所有發(fā)生事件的個體預測概率均高于決策閾值，所有未發(fā)生事件的個體預測概率均低于該閾值時，分類性能達到完美。分類性能受區(qū)分度和校準度的影響。

5、臨床效用（clinical utility）

臨床效用更進一步，在評估個體被劃分進低風險或高風險組時，明確考慮了誤分類成本（misclassification costs）。"誤分類成本"是一個成熟術語，泛指各類誤分類（包括假陽性與假陰性）所帶來的危害。

臨床效用評估的是基于特定決策閾值所做決策的質量，以及使用該模型是否比不使用模型或使用其他競爭模型能帶來更優(yōu)的臨床決策。因此，決策閾值應具有臨床意義，并與誤分類成本相關聯(lián)。由于臨床效用直接關注決策質量，它是五個性能維度中最重要的一個。

“決策閾值”的定義

大多數(shù)用于醫(yī)學的預測性AI模型，主要目標是支持后續(xù)的臨床決策。模型得到的概率估計值可幫助改善健康結局：對低風險個體避免實施獲益有限且負擔較重的干預措施，為高風險個體更合理地選擇干預方案。因此，決策閾值應基于醫(yī)學考量而非統(tǒng)計學依據(jù)來確定。

然而，在實踐中，決策閾值常常通過某個統(tǒng)計指標來定（如約登指數(shù)，即靈敏度+特異度?1）。采用統(tǒng)計學指標來設定決策閾值，不僅違背決策理論的基本原則，也脫離了臨床醫(yī)生的實際使用需求。

正確的做法是：一旦模型所要支持的具體臨床決策被明確定義后，就應考慮使用該模型輔助決策可能產(chǎn)生的四種后果：

• 真陽性（實際發(fā)生事件且被歸類為高風險）
• 真陰性（未發(fā)生事件且被歸類為低風險）
• 假陰性（實際發(fā)生事件卻被歸類為低風險）
• 假陽性（未發(fā)生事件卻被歸類為高風險）

這些后果的重要性權重因干預措施的性質與影響、醫(yī)療體系特點，以及醫(yī)生和患者的偏好而有所不同。

本文中的案例涉及需要手術切除卵巢腫瘤的患者。臨床使用ADNEX模型來決定應采取高級別手術還是保守手術，通常建議將惡性概率的決策閾值設為0.1（即10%）。這意味著，當ADNEX模型預測某患者的惡性風險為10%時，便建議其接受高級別手術。在此閾值下，每發(fā)現(xiàn)1例真正需要高級別手術的惡性腫瘤患者（真陽性），就需要對另外9名實際為良性腫瘤的患者實施了不必要的高級別手術（即最多接受9例假陽性）。換言之，采用這一閾值隱含的前提是：對惡性腫瘤患者實施高級別手術所帶來的醫(yī)學獲益，至少是良性腫瘤患者接受不必要高級別手術所造成傷害的9倍。

本文討論了32種性能指標（3種區(qū)分度指標、6種校準度指標、9種整體性能指標、11種分類指標、3種臨床效用指標）（見表1），以及相應的可視化評估方法。

表1. 本文所討論的性能指標以及案例研究中ADNEX模型在校準前后的結果

良好性能指標應具備的關鍵特征

本文定義了性能指標應具備的兩項關鍵特征：（1）該指標應為“恰當”（proper）的指標；（2）該指標應明確聚焦于是反映統(tǒng)計價值還是決策分析價值。不具備第一項特征的指標不可信賴，缺乏第二項特征的指標則含義模糊、難以解釋。

第三項理想特征是具有直觀易懂的可解釋性，但本文不詳細討論這一特征，因為可解釋性具有主觀性，且受使用者背景知識和熟悉程度的影響。

在醫(yī)學實踐中，對預測性AI模型的性能評估可清晰區(qū)分為統(tǒng)計性能評估與決策分析性能評估兩類。前四個性能維度關注統(tǒng)計性能的不同方面，而臨床效用維度則聚焦于決策分析性能。

統(tǒng)計性能指標對于模型評估至關重要，但不能單獨用于判斷模型是否應投入臨床實踐。例如，僅憑良好的區(qū)分度和校準度就聲稱“該模型可用于輔助卵巢手術決策”是不恰當?shù)?。若某性能指標旨在超越單純的統(tǒng)計價值，則必須依據(jù)決策分析原則，要納入誤分類成本。

案例研究：卵巢癌診斷模型（ADNEX模型）

本文所使用的案例是對有卵巢腫瘤的女性預期其惡性風險。ADNEX模型由國際卵巢腫瘤分析（IOTA）聯(lián)盟開發(fā)，可在術前估計計劃接受手術的卵巢腫瘤患者患惡性腫瘤的概率[1]。該模型可用于指導兩類決策：（1）在腫瘤中心就診的患者選擇高級別手術還是保守手術；（2）在其他機構就診的患者是否應轉診至腫瘤中心。

ADNEX模型基于1999-2012年間來自10個國家（意大利、比利時、瑞典、捷克、波蘭、法國、英國、中國、西班牙、加拿大）的24家二級和三級醫(yī)療機構共5909名患者的數(shù)據(jù)開發(fā)而成。

隨后，TransIOTA研究利用2015-2019年間來自4個國家（比利時、意大利、捷克和英國）的1家二級和5家三級醫(yī)療機構的894名女性數(shù)據(jù)，對ADNEX模型區(qū)分良性與惡性腫瘤的能力進行了外部驗證[2]。

出于教學目的，本文使用該數(shù)據(jù)集計算了所有要討論的性能指標及其95%CI，并展示了所有相關的可視化圖表。

本文評估了原始ADNEX模型的性能，以及經(jīng)邏輯校準（logistic recalibration）更新后的性能（見前表1）。更新方法為：以結局為因變量，以ADNEX輸出的事件概率的logit值（線性預測因子）為自變量，擬合一個logistic回歸模型。該方法類似于機器學習中的Platt縮放（Platt scaling），常用于改善預測的校準度。邏輯校準本質上是對線性預測因子進行線性變換，因此是一種保序方法（rank-preserving method），即患者按惡性概率排序的結果在校準前后保持不變。

所有R和Python代碼，以及894名參與者的惡性風險估計值和實際結局數(shù)據(jù)，均已公開于GitHub代碼倉庫，鏈接如下：

https://github.com/benvancalster/PerfMeasuresOverview

參考文獻：

1.BMJ. 2014; 349:g5920

2. Br J Cancer. 2024; 130:934-940

本文整理自：Lancet Digit Health. 2025 Dec 13:100916.

受篇幅限制，本篇文章先介紹到這里，在后面一篇推文中，我們再介紹這篇文章的后半部分，即針對各種性能指標的描述以及相應的可視化方法，敬請期待。