为什么大多数已发表的医学影像著作都试图减少误报？

在医学图像处理中，大多数已发表的著作都试图降低误报率（FPR），而实际上，误报比误报更危险。其背后的原理是什么？

TL; DR：疾病很少见，因此，假阳性的绝对数量比假阴性的绝对数量要多得多。

假设我们的系统的假阳性和假阴性率相同，为1％（相当好！），并且我们今年正在检测新癌症的存在：439.2 / 100,000人口，即人口的0.5％。[ 来源 ]

• 没有癌症，没有发现：99.5％x 99％= 98.5％（98.505％）
• 无癌症，检出率：99.5％x 1％= 1.0％（0.995％）
• 癌症，检出率：0.5％x 99％= 0.5％（0.495％）
• 癌症，未检测到：0.5％x 1％= 0.005％

因此，我们可以看到存在一个问题：对于每个患有癌症的人，两个没有癌症的人都会通过侵入性手术，化学疗法或放射疗法结局。

对于每一个未能发现当前癌症的人，有200人获得了他们不需要且负担不起的积极有害治疗。

你知道那个哭狼的男孩的故事吧？

这是相同的想法。在某个分类器多次发出错误警报（哭狼）后，医务人员将其关闭或忽略。

“哦，这又是一次！不行！”

至少与我合作过的生物工程团队一样，重点在于降低FPR，特别是因为目标是制造一种可以提醒医生注意潜在病状的工具，他们告诉我们，他们将忽略哭泣的产品。太多了。

对于一种有助于医师的产品，尽管有合理的论据认为在农场失踪狼比哭泣狼更糟糕，但我们必须诉诸于他们的心理。

编辑：减少误报也有一个合理的论点。如果您的计算机在偶尔获得真正的肯定（并捕捉到大多数真正的肯定）的同时不断哭泣，那实际上是在说某人可能生病了。他们在医院。医生知道病人可能生病了。

简介：问题可能*不是一个假阴性是否比一个假阳性差，而是*更像是是否可以接受500个假阳性降低到一个假阴性。

*取决于应用

让我进一步谈谈@Dragon的答案：

• 筛查意味着我们正在看似健康的人群中寻找疾病。正如@Dragon所解释的，对于这些，我们需要极低的FPR（或高灵敏度），否则我们将得到比真实肯定更多的错误肯定。即，阳性预测值（在所有诊断为阳性的疾病中真正患病的＃个）将低得无法接受。

• 灵敏度（TPR）和特异性（TNR）对于诊断系统而言很容易测量：采取一些真正的（未）患病案例并测量正确检测出的案例的比例。

• 从医生和患者的角度来看，OTOH的预测值都更重要。它们是敏感性和特异性的“逆向”，可以告诉您所有积极（消极）预测中正确的分数。换句话说，在测试说“疾病”之后，患者实际上确实患有该疾病的概率是多少。

• 正如@Dragon向您展示的那样，发病率（或患病率，取决于我们正在谈论的测试）在这里起着至关重要的作用。在所有筛查/早期癌症诊断应用中，发病率都很低。
  为了说明这一点，绝经后妇女的卵巢癌筛查在普通人群中的患病率为0.04％，在有家族史和/或已知抑癌基因BRCA1和2突变的高危妇女中，这一比例为0.5％[Buchen，L.巨蟹座：缺少标记。自然，2011，471，428-432]

• 因此，问题通常不在于一个假阴性是否比一个假阳性差，而是即使99％的特异性（1％FPR）和95％的敏感性（数字来自上面的链接）也意味着每个假阴性大约500个假阳性。 。

• 另外，请记住，早期癌症诊断本身并不是治疗癌症的灵丹妙药。例如，对于乳腺癌X线筛查，只有3-13％的真正阳性患者实际上会从筛查中受益。
  因此，我们还需要关注每个受益患者的假阳性数。例如，对于乳腺X线摄影，再加上这些数字，可以粗略估计，每个受益于真实阳性的人（39-49岁年龄组）的假阳性范围在400-1800之间。

• 每个假阴性都有数百个假阳性（每位患者也可能从筛查中受益数百个甚至数千个假阳性），这种情况并不像“一种漏诊的癌症比一种假阳性的癌症诊断更糟糕”那样清晰：确实会产生影响，范围从心理和心理躯体（担心自己患有癌症并不健康）到后续诊断（例如活检）的物理风险（这是一种小型手术，因此都具有这种影响）风险）。
  即使一个误报的影响很小，但如果必须考虑数百个误报，则相应的风险可能会大大增加。

  建议阅读：Gerd Gigerenzer：精明的风险：如何制定良好的决策（2014年）。

• 尽管如此，使诊断测试有用所需的PPV和NPV仍高度取决于应用程序。
  正如所解释的，在筛查早期癌症的过程中，通常将重点放在PPV上，即确保您不会因误报而造成太多伤害：发现相当一部分（即使不是全部）的早期癌症患者已经是一个进步。未经筛选的现状。
  OTOH，献血中的HIV测试首先关注NPV（即确保血液中不含HIV）。尽管如此，在第二（和第三）步骤中，在担心具有（假）阳性HIV测试结果的人之前，可以通过应用进一步的测试来减少假阳性。

• 最后但并非最不重要的一点是，在医学测试应用中，在筛查并非特别高风险的人群（例如某些鉴别诊断）时，其发生率或流行率并不像通常那样极端。

从个人角度看，而不是数据科学经验，误报比假阴性对患者的生活质量有更大的影响（至少在医学图像处理的大多数应用中。这里我们不讨论实验室结果） 。

让我们看一个具体的例子：肿瘤筛查。

假阴性意味着早期肿瘤有更多时间生长并发展为恶性肿瘤。总体而言，该过程需要很长时间，并且随后进行的每次筛查都有较高的机会进行检测，但是实际上，患者的长期健康受到了影响。

另外，总是有人参与诊断。当前技术阶段的医学图像处理旨在为医学界人士提供帮助，而不是替代品。通常是指指出微妙的病变或组织变化，以至于人们可能忽略它们。医生没有机会忽视晚期肿瘤。他们不需要为此进行图像处理。

就医疗程序而言，如果在下次筛查之前肿瘤没有变得无法手术，则切除早期肿瘤或生长时间稍长的肿瘤之间没有太大区别。去除的组织数量更多，但操作的种类通常相同。（这假设患者定期进行健康检查。）

误报有许多含义，但并非都与疾病直接相关：

• 附加程序。成像过程产生阳性结果后，将进行更多测试，以抽取血液或组织（活检）。客观地说，患者的身体受到损坏，可以验证成像结果。
• 恐惧。实验室测试需要时间。受感染的人通常会在不确定的天气中生活几天甚至几周，或者病变实际上不是癌症。许多经历过这种假阳性的人将这一事件描述为“外伤”，并且长期遭受与健康相关的焦虑。
• 时间投入。如果通过实验室测试或类似方法验证成像结果需要进行几次检查，则患者和医生必须花时间进行检查。即使只进行一项测试，也要涉及到一些人，包括护士，医生和实验室技术人员。在医生长期劳累的时期，应尽可能避免这种情况。
• 不必要的药物治疗。在最坏的情况下，患者会接受甚至没有的疾病治疗，并且身体的药物副作用会使其承受不必要的压力。
• 失去作用。如果某个程序产生过多的假阳性结果（如其他答案所述），医务人员将忽略真实的阳性结果。

该风险效益评估表明，假阴性患者比假阳性患者对患者的风险更低。因此，减少误报的优先级通常更高。

临床医生的时间很宝贵

在医学领域内，临床医生通常有各种各样的疾病要尝试检测和诊断，这是一个耗时的过程。呈现假阳性（即使发生率较低）的工具用处不大，因为无法信任该诊断，这意味着每次进行该诊断时都需要对其进行检查。将其视为软件的WebMD-一切都是癌症的征兆！

呈现假阴性但始终呈现真实阳性的工具则更加有用，因为临床医生无需浪费时间进行双重检查或再次猜测诊断。如果通过特定诊断将某人标记为患病，请完成工作。如果不是这样，那些未突出显示为患病的人将仍然会接受其他测试。

最好有一个工具可以准确地识别疾病的单个特征，而不是可能会弄混多个特征的工具。

误报率（FPR）也称为误报率（FAR）；较大的误报率会导致医学图像检测系统的性能下降。误报是指您应该收到否定结果的测试，您会收到肯定的结果。例如，实际上该人没有怀孕，则妊娠试验为阳性。

很有可能，这个线程上的每个人都已经知道这是贝叶斯分析核心的问题。仅出于未来朝圣者的利益，他们可能会认为误报在某种程度上只是放射学中的问题，我希望此评论可以提供更一般的观点。