医学影像AI做多类别诊断，混淆矩阵怎样标清各类别？

先说明每一格数的是什么

医学影像AI从二分类扩展到多类别时，混淆矩阵的行列容易被读反。投稿图注应明确行是真实参考类别还是模型预测类别，列对应什么；每个格子是患者数、检查数还是图像数。若一名患者有多张图像，矩阵按图像计数会与临床按患者判断的结果不同。标题写“多类诊断准确率”时，正文至少应让读者知道类别如何定义、标签从哪里来，以及不确定或无法判读病例是否另设类别。

类别顺序和合并规则先固定

例如病变分为正常、轻度、中度、重度，模型把相邻等级混淆与把重度误判正常，后果并不相同。不能只给一个总体准确率。矩阵旁列出各类的参考病例数，并说明若某类过少是否在建模前合并。若在看过测试结果后才把难分的两类合为一类，应将合并后的表现标为事后探索性分析，不能当作原任务的独立测试。图中的颜色深浅应与数字一致，别用色阶放大少数类别的微小变化。

报告每类指标的分母

每类敏感度可理解为参考标准确属该类的病例中有多少被正确预测；某类的阳性预测值则看预测为该类的人中有多少真实属于该类。两者分母不同，都受到类别不平衡的影响。可逐类给点估计和不确定区间，再给宏平均或加权平均；若使用后者，应说权重按哪一组的类别频率计算。只有总体准确率很高时，仍可能完全漏掉罕见但重要的类别。

把参考标签的形成写清

多类标签可能来自单名医生、两人共识、病理结果或后续随访。不同类别若采用不同参考方式，应逐类说明；如果参考标准本身存在不确定性，模型错误不能被解释得过于简单。对难例可抽样复核，分类错误分析要说明复核者是否看到模型预测。CLAIM和STARD-AI都重视参考标准与测试集标注流程，这些信息与矩阵的可信度直接相关。

别只看对角线，也看错到了哪一类

若模型常把重度判成中度，讨论应集中在这种相邻等级误差能否接受及需怎样人工复核；若常把重度判成正常，意义不同。可以展示按中心或设备分层的矩阵，但每层人数过少时不应夸大差异。提交前把矩阵行列总和与测试流程图对上，检查排除、弃权和缺失标签的样本是否有去处。一个写清分母和错误方向的矩阵，比单个漂亮的平均指标更接近读者真正关心的诊断场景。

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。