影像AI排除了低质量图像，模型覆盖率怎样报告？

只报能预测的图，读者会少看到一批病例

影像AI研究常排除模糊、伪影或扫描范围不足的图像，再在剩余样本上报告准确率。这样做有时符合模型预定用途，但如果没有列出被排除的人数，读者无法知道系统面对真实工作流时有多少检查能给出结果。投稿应把质量门槛写成模型流程的一部分：哪些图先进入筛选，谁判定不可用，模型本身是否能自动拒绝，拒绝后交给谁处理。模型表现与覆盖率应并列报告。

排除规则应可执行

“图像质量差”太宽泛。可以列运动伪影、缺少关键序列、病灶不在扫描范围、像素损坏等具体条件，并说明判断时是否看到了疾病标签或模型预测。若采用人工检查，要记录人员背景和一致性；若使用自动质控模型，要说明其训练来源、阈值和错误。门槛在测试集上反复调整以换取更高准确率，会改变独立测试的意义。应保留最初规则的结果，把后续门槛探索另列。

画出每一步的去向

从符合研究入组条件的总病例开始，依次列出无影像、影像不完整、质量排除、模型弃权和最终获得预测的人数。若同一人多次检查，流程图要说明按人还是按次计数。各组和各中心也应报告质量排除比例；若某设备的影像更常被拒绝，最终测试集就可能不再代表该中心。CLAIM与STARD-AI的原始清单都要求透明描述数据选择和流程，这些信息使性能分母可核对。

覆盖率与正确率一起看

覆盖率可写成获得有效预测的检查数除以原本适用的检查数，并说明“适用”由哪些入组条件限定。然后在被覆盖样本中计算敏感度等指标；对未覆盖者说明后续人工复核、重拍或缺失结果的处理。若排除后敏感度提高，但覆盖率显著下降，不能只展示更高的数字。临床使用者还关心被拒绝者是否更常见严重疾病，因此有条件时应比较其基本特征和已知结局。

别把缺失当成真阴性

低质量影像无法作出预测，与模型明确判为阴性不是一回事。结果表中应把弃权单列，不能静悄悄塞入真阴性或从总体分母消失。若参考标签也缺失，应另标记，避免把“没有答案”误当成“预测错误”。讨论段可以说明当前模型适用的图像条件和人工接管方式。一个包括拒绝率的现实性能描述，才让读者判断模型到底能服务多少真实检查，而不只是在清洁数据集上得分多少。

参考信息：CLAIM 2024医学影像AI清单与STARD-AI诊断准确性报告指南。