召回率
Parent: ai_keywords
召回率（Recall）
【核心定义】
召回率（Recall），又称敏感度（Sensitivity）或真阳性率（True Positive Rate），是分类模型评估中衡量正确识别正类样本能力的核心指标。定义为：在所有真实正类样本中，被模型正确预测为正类的比例——Recall = TP / (TP + FN)，其中TP为真阳性，FN为假阴性。召回率越高，意味着漏检（漏诊）率越低。
【关键技术点】
- 与精确率的权衡：精确率评估“预测为正类中真正正确的比例”；召回率则关注“真正正类中被找出的比例”。两者呈负相关，需通过Precision-Recall曲线（P-R曲线）或F₁分数（调和平均）进行综合权衡。
- 与特异度的对立统一：特异度（Specificity = TN / (TN + FP)）衡量负类识别能力，召回率（敏感度）与特异度构成ROC曲线的基础，AUC为综合性能指标。
- 在类别不平衡中的敏感性：当正类样本极少时，模型若“只输出负类”可获高精确率但召回率为0；召回率能暴露此类“投机行为”，是医疗场景中不可缺失的评估维度。
- 代价敏感性：在FN代价远高于FP的场景（如癌症筛查、癫痫发作检测），高召回率（低漏诊）是首要目标，常通过调整决策阈值或重采样实现。
【医学/神经科学应用场景】
以急性缺血性脑卒中（AIS）的CT/MRI病灶检测为例（结合首都医科大学附属天坛医院神经影像AI研究背景）：
AI模型需在早期（发病6小时内）从非增强CT或DWI序列中自动分割缺血核心。此时召回率是生死攸关的指标——漏诊一个微小梗死灶（FN）可能导致错失溶栓或取栓时间窗，引发不可逆神经功能障碍。首都医科大学团队开发的U-Net变体模型在验证集上达到召回率＞0.92，远优于人工阅片约0.80的敏感度。即便代价是轻度假阳性（FP增加约5%），通过后续多序列融合可有效过滤，临床实践中优先保证高召回率以降低致残率。
其他应用：帕金森病步态冻结检测中，高召回率确保每个异常步态事件被捕捉；癫痫脑电棘波识别中，召回率是避免漏判发作期放电的关键。
