柳葉刀子刊：評估AI預(yù)測模型性能的常見指標和可視化圖形

2025年12月，《Lancet Digital Health》發(fā)表了一篇文章“Evaluation of performance measures in predictive artificial intelligence models to support medical decisions: overview and guidance”，對評估AI預(yù)測模型性能的幾大類指標進行了總結(jié)。

在前一篇推文中，我們介紹了幾大類指標的概念：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）。

詳見：

接下來仍以ADNEX模型為例（該模型預(yù)測女性卵巢腫瘤的惡性概率），具體聊一聊這些指標以及相應(yīng)的可視化圖形。所有R和Python代碼，均已公開于GitHub代碼倉庫，鏈接如下：

https://github.com/benvancalster/PerfMeasuresOverview

前文提到，性能指標應(yīng)具備兩項關(guān)鍵特征：（1）該指標應(yīng)為“恰當”（proper）的指標；（2）該指標應(yīng)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。下面在討論各指標時，會提及到這兩項特征。

區(qū)分度（Discrimination）

常見的區(qū)分度指標是一致性概率（concordance probability）或C統(tǒng)計量（C-statistic）。對于二分類結(jié)局，C統(tǒng)計量等于受試者工作特征曲線下面積（AUROC），但當事件發(fā)生率遠遠偏離0.5時，一些研究者建議不要使用AUROC。有觀點認為，在罕見事件時，AUROC具有誤導(dǎo)性或過于樂觀。

作為ROC曲線及AUROC的替代方案，常推薦使用精確率–召回率曲線（PR曲線）及其曲線下面積（AUPRC）。另一種替代AUROC的指標是部分AUROC（pAUROC），關(guān)注ROC曲線中特異度或靈敏度達到某個最低可接受水平的部分。AUROC、AUPRC和pAUROC均為“半恰當（semi-proper）”指標。

區(qū)分能力對預(yù)測性AI模型至關(guān)重要，但僅憑AUROC一項指標不足以判定一個模型是否優(yōu)秀或?qū)嵱?/b>。使用PR曲線或ROC曲線進行可視化展示是可以接受的，但根據(jù)本文作者的經(jīng)驗，這些圖所提供的信息并不比匯總性指標（如AUROC）或相關(guān)的臨床效用指標（如凈效益net benefit）更有價值。

下圖1展示了本案例研究（ADNEX模型）的ROC曲線和PR曲線，基于“靈敏度低于0.8不可接受”這一觀點（但該觀點未經(jīng)證實），展示出了pAUROC。

ADNEX模型的AUROC為0.91（95%CI 0.89–0.93），AUPRC為0.89（95%CI 0.86–0.91）。去掉靈敏度低于0.8的部分后，pAUROC為0.14（95%CI 0.13–0.15）。

圖1. ADNEX模型的ROC曲線（A）、PR曲線（B）和pAUROC（C）

校準度（Calibration）

統(tǒng)計學(xué)和機器學(xué)習(xí)文獻提過多種評估模型校準度的方法，這些方法可分為三個逐級嚴格的層級：均值校準（mean calibration）、弱校準（weak calibration）、中度校準（moderate calibration），前兩個層級主要源自統(tǒng)計學(xué)文獻。目前，關(guān)于第四個層級“強校準（strong calibration）”的量化研究仍在進行中。

均值校準（也稱“整體校準”，calibration-in-the-large）用于評估模型預(yù)測概率的均值是否等于數(shù)據(jù)集觀察到的實際事件患病率。衡量整體校準的兩個常用指標是觀察值與預(yù)期值之比（O/E ratio）和校準截距（calibration intercept）。

在本案例中，ADNEX模型的O/E比為1.23（95%CI：1.17–1.29），表明實際觀察到的事件數(shù)比模型預(yù)期高23%。校準截距為0.81（95%CI：0.62–1.01），提示模型平均而言低估了事件發(fā)生率（截距>0）。相比校準截距，O/E比具有更直觀的解釋意義。

當一個模型的整體校準良好，且預(yù)測概率的離散程度（即分布范圍）不過大也不過小（通過校準斜率[calibration slope]量化），該模型被認為具有弱校準。若預(yù)測概率離散度過大，其預(yù)測概率值會過于接近0或1（校準斜率<1）；若離散度過小，則預(yù)測值會集中在整體患病率附近（斜率>1）。在內(nèi)部驗證中，校準斜率小于1可能提示模型存在過擬合風(fēng)險。在本案例研究中，ADNEX模型的校準斜率為0.93（95%CI：0.83–1.05），表明預(yù)測概率的離散程度基本合適。

中度校準意味著：對于所有預(yù)測概率為x的個體，實際事件的發(fā)生率也恰好等于x。評估中度校準最常用的方法是繪制校準圖（calibration plot），也稱為可靠性圖（reliability diagram）。校準圖可通過對個體分組或使用平滑法（smoothing）生成。

圖2展示了本案例研究中使用的兩種校準圖：一種基于等量分十組，另一種采用局部加權(quán)回歸平滑法（loess）進行平滑處理。兩條曲線大部分位于對角線的上方，表明在整個預(yù)測概率范圍內(nèi)，模型系統(tǒng)性低估了事件風(fēng)險。一個可能的原因是，在驗證研究的六個參與中心中，有五個是三級中心，因此惡性腫瘤的實際患病率較高。需要注意的是，分組校準圖無法全面評估中度校準，因為預(yù)測概率差異很大的個體仍可能被歸入同一組。

圖2. ADNEX模型的校準圖

已有研究提出了一些針對校準圖的匯總指標，例如針對分組校準圖的期望校準誤差（Expected Calibration Error, ECE），針對平滑校準圖的估計校準指數(shù)（Estimated Calibration Index, ECI）和整合校準指數(shù)（Integrated Calibration Index, ICI）。

然而，與Hosmer–Lemeshow檢驗等統(tǒng)計學(xué)檢驗類似，這些匯總指標無法說明校準偏差方向，即模型是系統(tǒng)性高估還是低估風(fēng)險。此外，ECE、ECI和ICI的數(shù)值依賴于所采用的分組或平滑方法，并且在統(tǒng)計一致性方面存在局限性。目前，學(xué)界正在研究更優(yōu)的匯總指標。因此，包含置信區(qū)間的校準圖是評估校準性能的關(guān)鍵工具，因其能夠直觀展示在不同預(yù)測風(fēng)險水平下的校準表現(xiàn)。

上述所有校準指標均為半恰當（semi-proper）指標，聚焦于統(tǒng)計性能。

整體性能（Overall performance）

整體性能的基本評估指標包括基于似然函數(shù)的指標，如對數(shù)損失（logloss，也稱為交叉熵損失）以及Brier評分（Brier score）。

通過與零模型（null model）比較來表達模型性能的指標，包括標準化Brier評分（scaled Brier score，也稱預(yù)測準確度指數(shù)），以及用于測量解釋變異比例的R2類指標，例如McFadden R2、Cox–Snell R2和Nagelkerke R2。

較少使用的整體性能指標還包括區(qū)分度斜率（discrimination slope，也稱判別系數(shù)）和平均絕對預(yù)測誤差（mean absolute prediction error，MAPE）。

對數(shù)似然（loglikelihood）、對數(shù)損失（logloss）以及Brier評分屬于“嚴格恰當”（strictly proper）的指標；標準化Brier評分和各類R2指標屬于“漸近嚴格恰當”（asymptotically strictly proper）的指標（樣本量較大時，例如超過100，是嚴格恰當?shù)模粎^(qū)分度斜率和平均絕對預(yù)測誤差屬于不恰當（improper）的指標。上述所有整體性能指標均聚焦于統(tǒng)計性能（模型的第二個關(guān)鍵特征，見上文所述）。

整體性能的可視化，通常是分別展示事件組和非事件組預(yù)測概率的分布情況。圖3展示了ADNEX模型的小提琴圖（violin plots）：良性腫瘤患者絕大多數(shù)具有極低的惡性風(fēng)險預(yù)測概率；惡性腫瘤患者的預(yù)測概率大多處于中至較高水平，且分布更為分散。

圖3. 基于ADNEX模型惡性風(fēng)險預(yù)測概率的小提琴圖和散點圖

分類指標

（Classification measures）

本案例使用的ADNEX模型推薦的常用閾值為10%。在此閾值下，將578名患者分類為高風(fēng)險，其中414名確實患有惡性腫瘤（即真陽性），而164名實際為良性腫瘤（假陽性）。模型將剩余的316名患者分類為低風(fēng)險，其中296名患者確實為良性腫瘤（真陰性），20名實際為惡性腫瘤（假陰性）。

分類指標分為匯總指標（summary measures）和描述性部分指標（descriptive partial measures）。常見的部分指標包括靈敏度（也稱為召回率recall）、特異度、陽性預(yù)測值（PPV，也稱為精確率precision）和陰性預(yù)測值（NPV）。靈敏度和特異度是基于實際結(jié)果的分類準確性，但在預(yù)測時實際結(jié)果是未知的；PPV和NPV更具臨床相關(guān)性。匯總指標包括分類準確率、平衡準確率、約登指數(shù)、Kappa、診斷比值比、F1、Matthew相關(guān)系數(shù)（MCC）。

F1有點類似AUPRC，且存在一些共同的問題：(1) F1忽略了真陰性的問題；(2) F1沒有直觀的解釋；(3) 僅通過交換結(jié)果標簽（將1變?yōu)?，0變?yōu)?），F(xiàn)1的絕對值就會發(fā)生變化。MCC同樣也沒有直觀的解釋。

在給定的決策閾值t下，所有的分類指標都屬于不恰當（improper）的指標。某些分類指標（如平衡準確率、約登指數(shù)和F1）在t=0.5（分類準確率）或t等于真實患病率時是半恰當（semi-proper）的指標，但這些閾值t很少是最具臨床相關(guān)性的閾值。F1是唯一一個沒有明確關(guān)注統(tǒng)計性能的匯總指標，因為它混合了分類效能與臨床效用。

與分類性能相關(guān)的圖表包括ROC曲線和PR曲線，這些圖展示了在所有可能的決策閾值下的部分分類指標。這些圖的局限性在于并不容易直接觀察到閾值（見圖1）。另一種圖是分類圖（classification plot）（圖4），在x軸上展示決策閾值，在y軸上展示一個或多個分類指標。

圖4. ADNEX模型的分類圖

ADNEX模型在10%的閾值下，顯示出分類準確率為0.79（95% CI 0.77–0.82），F(xiàn)1為0.82（0.79–0.84），MCC為0.63（0.58–0.67）。

臨床效用（Clinical utility）

根據(jù)經(jīng)典的決策分析理論，臨床效用關(guān)注的是基于模型分類所做出的決策質(zhì)量，這些分類需要對應(yīng)于臨床相關(guān)的閾值。為了評估效用，要明確考慮誤分類成本。在醫(yī)療領(lǐng)域的預(yù)測研究中，用于評估臨床效用最常用的指標是凈效益（net benefit）。標準化凈效益等于凈效益除以患病率，最大值為1。

凈效益根據(jù)誤分類成本設(shè)定決策閾值。設(shè)定誤分類成本并不容易，關(guān)于成本應(yīng)該是什么，還存在爭議。因此，凈效益或標準化凈效益會在一系列合理的決策閾值范圍內(nèi)繪制決策曲線。凈效益和標準化凈效益屬于半恰當指標。

還有一個指標是預(yù)期成本（expected cost）。與凈效益不同，預(yù)期成本關(guān)注的是，給定誤分類成本時讓總成本最小化的決策閾值，預(yù)期成本也是半恰當指標。如果把成本標準化為總和為1，可以繪制出一系列標準化的假陽性和假陰性成本的預(yù)期成本圖。

根據(jù)決策理論，關(guān)鍵是要檢查模型是否比參考策略（即治療所有的人或任何人都不治療）具有更好的效用，如果更好的話，還要和其他競爭模型比較。在所有合理的決策閾值范圍內(nèi)，ADNEX的（標準化）凈效益均優(yōu)于參考策略（圖5A-B）。預(yù)期成本曲線也給出了相同的結(jié)果（圖5C）。當t=0.1時，模型的凈效益為0.44。假陰性的標準化成本為0.9，預(yù)期成本在t=0.06時最小化至0.35。

圖5. ADNEX模型的決策曲線：凈效益、標準化凈效益和預(yù)期成本

總結(jié)

本文評估了用于醫(yī)療實踐的預(yù)測性AI模型在五個性能維度（區(qū)分度、校準度、整體性能、分類性能和臨床效用）的32項指標。在驗證預(yù)測模型性能時，要避免使用那些不恰當（improper）的指標（共13項），或那些未能明確聚焦于統(tǒng)計性能或決策分析性能的指標（3項；見表1）。其中，F1是唯一同時違反上述兩項特征的指標。

不恰當指標可能誤導(dǎo)研究者，而那些在未妥善考慮誤分類成本的情況下，將統(tǒng)計性能與決策分析性能混為一談的指標則具有模糊性，應(yīng)被專門用于評估臨床效用的指標所取代。

表1. 在驗證用于臨床決策的預(yù)測模型時，常用的各類指標與圖表的建議

指標

建議

區(qū)分度（Discrimination）

AUROC

該指標量化模型的區(qū)分度，是統(tǒng)計模型性能的關(guān)鍵組成部分。

AUPRC和pAUROC

不建議

這些指標試圖超越單純的統(tǒng)計評估，但又不符合決策分析的基本原則。

ROC曲線和PR曲線

非必需，但也沒有不建議

相較于AUROC，這些曲線提供的額外信息有限。

校準度（Calibration）

O/E比（觀察值/期望值比）

非必需，但也沒有不建議

該指標易于解釋，但僅能部分反映校準情況；在內(nèi)部驗證中，O/E比常為1或接近1。

校準截距與校準斜率

非必需，但也沒有不建議

這些指標難以直觀解釋，且僅提供部分校準信息；內(nèi)部驗證時，校準斜率可用于評估過擬合風(fēng)險。

ECI、ICI和ECE

非必需

這些指標是對校準圖的匯總性指標，會掩蓋校準偏差的性質(zhì)和方向，且存在統(tǒng)計一致性問題。

校準圖或可靠性圖

這是評估校準度最富洞察的方法，推薦使用平滑法而非分組法；內(nèi)部驗證時可優(yōu)先使用校準圖，若僅報告校準斜率也是可接受的；外部驗證時強烈推薦使用校準圖，并應(yīng)標明不確定性（例如95%CI）。

整體性能（Overall performance）

對數(shù)似然、Brier 評分、R2 類指標

非必需，但也沒有不建議

建議將區(qū)分度與校準度分開評估。這些指標在模型選擇中高度相關(guān)，但本文未涵蓋該內(nèi)容。

區(qū)分度斜率與平均絕對預(yù)測誤差（MAPE）

不建議

這些指標屬于“不恰當”指標，即錯誤模型的得分可能優(yōu)于正確模型。

風(fēng)險分布圖

展示不同結(jié)局類別下風(fēng)險預(yù)測值的分布，有助于深入理解模型。

分類性能（Classification）

分類準確率、平衡準確率、約登指數(shù)、診斷比值比、Kappa、F1、MCC

不建議

在臨床相關(guān)決策閾值下，這些指標均“不恰當”；此外，部分指標難以解釋。

靈敏度與特異度

非必需；若一起報告可作為描述性指標

分別單獨報告是不合適的，但若兩者同時報告，可作為描述性指標。然而，因其依賴實際結(jié)局，在預(yù)測時不具備直接實用性。

陽性預(yù)測值（PPV）與陰性預(yù)測值（NPV）

非必需；若一起報告可作為描述性指標

分別單獨報告是不合適的，但同時報告具有高度臨床實用性。

分類圖

非必需，但也沒有不建議

可作為描述性圖表呈現(xiàn)，按閾值展示靈敏度與特異度，或PPV與NPV。

臨床效用（Clinical utility）

凈效益或標準化凈效益（帶決策曲線），預(yù)期成本（帶成本曲線）

這些是量化模型能否促成更優(yōu)臨床決策的重要指標。凈效益的決策曲線可展示在不同臨床相關(guān)閾值下，相對于參考策略（及其他競爭模型）的潛在臨床價值。

本文認為，面向醫(yī)療實踐的預(yù)測性AI模型的性能評估應(yīng)聚焦于區(qū)分度、校準度和臨床效用。區(qū)分度和校準度有助于建模者和臨床醫(yī)生理解如何改進模型，臨床效用則從決策者和患者的角度出發(fā)，評估模型是否能促成更優(yōu)的臨床決策。

本文推薦采用以下核心指標與圖表組合在研究報告中呈現(xiàn)：

• AUROC（用于評估區(qū)分度）；

• 平滑校準圖（用于評估校準度）；

• 臨床效用指標（如帶決策曲線的凈效益）；

• 按結(jié)局類別展示預(yù)測概率分布的圖形。

在內(nèi)部驗證AI模型時，校準度的重要性可能相對較低，因為模型開發(fā)與內(nèi)部驗證基于相同的人群。但在外部驗證中（即在不同人群或臨床環(huán)境中評估模型時），校準度就尤為關(guān)鍵。盡管內(nèi)部驗證時使用校準圖也有價值，但僅報告校準斜率，輔以O(shè)/E比通常已足夠，對于構(gòu)建良好的模型，預(yù)期其O/E比應(yīng)接近1。

除上述核心指標外，PPV聯(lián)合NPV，或靈敏度聯(lián)合特異度，也可作為描述性指標予以報告。但需注意，這些指標若單獨報告則屬于“不恰當”指標。

所有報告的指標和圖表，在可能的情況下都應(yīng)附帶置信區(qū)間，臨床效用指標除外，針對其不確定性的量化仍是近期學(xué)術(shù)爭論與研究的焦點。

本文建議不要使用 F1、AUPRC 或 pAUROC，而應(yīng)采用專門的臨床效用指標來評估模型性能。需要指出的是，本文的觀點不適用于某些真陰性難以明確定義的醫(yī)療場景，例如病灶檢測。

有三個與性能評估相關(guān)的重要問題值得強調(diào)：樣本量（sample size）、性能異質(zhì)性（performance heterogeneity）、報告透明度（reporting transparency）。

充足的樣本量對于精確評估模型性能至關(guān)重要。以往建議最小的結(jié)局類別中至少包含100至200名個體。目前已有更具體的樣本量計算方法用于基于回歸的預(yù)測模型。在比較不同模型的校準性能時，通常需要更大的樣本量。

由于不同地區(qū)、環(huán)境或時間段的人群特征和測量流程存在差異，模型性能的異質(zhì)性是預(yù)料中的。可通過Meta分析和Meta回歸對多個外部驗證研究的性能異質(zhì)性進行量化和解釋。若簡單地將基于不同外部數(shù)據(jù)集驗證的模型進行直接比較，可能得出錯誤結(jié)論。

全面透明地報告預(yù)測性AI模型研究至關(guān)重要，可遵循TRIPOD+AI及相關(guān)報告規(guī)范。為避免“性能操縱”（performance hacking），應(yīng)重視預(yù)先發(fā)表研究方案，并在合理可行的情況下共享代碼和數(shù)據(jù)。

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