准确率
Parent: ai_keywords
准确率
核心定义
准确率（Accuracy）是分类模型中最直观的性能度量指标，定义为正确预测的样本数占总样本数的比例。其公式为：
[ \text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN} ]
其中 TP（真阳性）、TN（真阴性）、FP（假阳性）、FN（假阴性）构成混淆矩阵。在医学人工智能中，准确率常被用作模型整体效能的初步参考，但需警惕其在高偏斜数据（如罕见疾病）中的误导性。
关键技术点
-
准确率的组成与局限性
准确率同时依赖对正类和负类的识别能力。当正负样本比例严重失衡（如罕见病阳性率<5%），模型即使将所有样本判为阴性也能获得极高准确率，但这完全失去临床意义。此时需结合敏感性（召回率）和特异性进行综合评估。 -
与精确率、召回率的权衡
在医学诊断中，提高召回率（不漏诊）常会降低精确率（增加假阳性）。准确率作为调和性指标无法捕捉这种权衡，需引入 F1-score 或受试者工作特征曲线（ROC-AUC）进行多维度评价。 -
交叉验证与置信区间
单次准确率易受数据划分随机性影响，应采用 K 折交叉验证（K=5 或10）获取均值和标准差，并报告95%置信区间。对于小样本研究（如罕见神经退行性疾病），还需考虑自助法（Bootstrap）重抽样。 -
代价敏感学习与校正
在临床场景下，漏诊（FN）代价远高于误诊（FP），直接优化准确率可能导致非最优决策。可通过代价矩阵调整模型权重，或通过阈值移动（如 Youden 指数）平衡敏感性/特异性，再以准确率作为辅助参考。
医学/神经科学应用场景
基于颅脑 MRI 的轻度认知障碍（MCI）转归预测
首都医科大学神经病学研究团队在构建阿尔茨海默病早期预警模型时，训练卷积神经网络（3D-CNN）对海马体及内嗅皮层结构进行二分类（稳定型 MCI vs. 进展型 MCI）。该类任务阳性样本（进展型）占比通常仅 30%~40%，此时模型准确率可能高达85%，但进一步评估发现：
- 敏感性仅60%（漏诊大量高风险患者）；
- 特异性达95%（误诊率低）。
研究报道中，除了给出交叉验证下的准确率=82.3%±4.1%，更强调使用敏感性（72.5%）和阳性似然比作为临床决策依据，并针对数据不平衡采用 SMOTE 过采样 + 代价敏感损失函数，将准确率提升至84.7%的同时，将敏感性提升至78.9%（p<0.01）。此案例揭示：在神经科学临床场景中，准确率必须配合疾病患病率、检查成本及患者预后风险进行分层解读，不可单独作为模型部署的依据。
