影像AI外部测试人群患病率不同，结果怎样说明？

同一模型，预测值会随人群改变

影像AI在开发医院的病例集中表现好，到了筛查门诊却可能出现更多假阳性。原因之一是目标疾病在两个人群中的比例不同：敏感度和特异度描述给定真实状态下的识别，阳性预测值则还受患病率影响。投稿时不要只写“外部AUC保持稳定”，还要让读者看到外部人群来自哪里、如何入组、阳性人数与目标应用场景是否相近。病例对照式的高比例阳性测试集，不能直接代表实际筛查时的预测值；测试集的构成应在摘要中也说清。

把人数放在比率前面

按测试站点或时间段列出总人数、患病人数、排除人数和缺失标签人数。若一个患者有多次影像，要说明单位是检查还是人，以及重复检查怎样计入分母。随后在预先固定的阈值下给出真阳性、假阳性、真阴性、假阴性的计数，再给敏感度、特异度、预测值和不确定区间。这样读者能检查分母，也能估计在当地应用时的工作量。若阈值在外部数据上又被重新调过，必须把该分析与原定阈值的独立测试分开。

还要看病例谱和设备是否不同

外部队列还可能在疾病谱、严重度、设备型号、图像采集流程和参考标准上不同。报告外部数据与训练数据的这些差异，避免把所有性能变化都归因于患病率。若外部样本只纳入已接受某项检查的人群，选择流程也可能改变病例构成。CLAIM和STARD-AI都重视数据来源、选择方式与参考标准，读者需要这些信息才能理解一个“外部”标签究竟有多独立。

校准和临床后果分开看

输出概率若用于表示个人风险，应检验预测概率与实际发生比例的对应程度；只有排序指标不能说明概率可直接使用。若模型只输出二分类标签，则重点是固定阈值下错分人数。可以用假设的每千人场景解释预测值随患病率变化，但需明确那是按公式换算的演示，不是外部人群实测结果。临床工作流中复核假阳性的成本，也需要与漏诊后果一起讨论。

结论限定到实际队列

可以写模型在某医院某时期的外部样本中保持了何种性能，以及哪些指标下降；不要直接概括为“适合所有地区筛查”。若测试队列与预期用途差距很大，后续更接近真实工作流的评估应成为明确的下一步。投稿前核对摘要、表格、图注中的病例数是否一致，尤其别让读者把高患病率病例库的阳性预测值拿去估算低患病率人群的实际效果。

参考信息：CLAIM 2024、STARD-AI与TRIPOD+AI原始报告指南。