企业官网建设流程全解析

目录

一、场景介绍

二、指标体系构建

三、指标数据处理

3.1 数据来源与格式

3.2 极差归一化（MATLAB）

四、评估方法选择

4.1 熵权法客观赋权

4.2 秩和比（RSR）综合评价

六、结论

五、评估结果分析

七、资源下载

摘要：针对低剂量 CT（LDCT）肺结节辅助检测系统，本文构建以敏感度（Sensitivity）、每例假阳性数（FP/scan）、医生采纳率（Adoption Rate）为核心的效能评估体系。完成指标归一化、熵权法客观赋权与秩和比（RSR）综合评价。在公开数据集 LUNA16 上的实验表明，该评估框架能够兼顾算法检测能力与临床实用性，可为 CADe 系统的阈值优选与临床落地提供量化依据。

一、场景介绍

肺癌是全球癌症相关死亡的首要原因，低剂量螺旋 CT 筛查已被证实可降低高危人群的肺癌死亡率。然而，放射科医生在阅片过程中仍面临漏诊（尤其是微小结节、磨玻璃结节）与假阳性负担（血管断面、淋巴结、瘢痕等被误判为结节）的双重挑战。

计算机辅助检测（CADe）系统采用"候选生成 + 假阳性削减"的两段式架构：

• 候选生成阶段：宁可多找、不能漏掉，产生数十至数百个候选点；
• 假阳性削减阶段：利用三维深度学习对候选点打分，通过阈值控制最终输出。

在 LUNA16 等公开基准中，领先算法在平均不到 1.0 个假阳性/例的条件下，灵敏度可超过 95%。但算法指标不等于临床价值——医生是否采信 AI 提示、AI 是否真正降低漏诊率而不增加工作负担，都需要通过多维效能评估来回答。

二、指标体系构建

本文选取三个维度构成评估指标集，兼顾算法性能与临床可用性：

💡指标选择依据：敏感度与假阳性数构成 FROC（自由响应受试者工作特征）曲线的两个主轴；医生采纳率则衡量 AI 从"算法输出"到"临床决策"的转化效率，是真实世界落地的关键标尺。

三、指标数据处理

3.1 数据来源与格式

实验采用 LUNA16 数据集的 888 套 CT 扫描作为评估对象，标注信息包含结节中心坐标与直径（≥3 mm 为有效结节）。MATLAB 负责从原始 MHD/RAW 文件及 CSV 标注中提取候选点匹配结果，并完成指标归一化、熵权法赋权与秩和比综合评价。

3.2 极差归一化（MATLAB）

由于三个指标量纲不同（百分比、个数、百分比），采用极差法统一映射到 [0,1]：

%% 指标数据：[敏感度(%), FP/scan, 医生采纳率(%)] % 行：不同阈值下的系统状态；列：3个指标 X = [ 82.5 3.2 68.4; % 阈值=0.3 88.7 2.1 72.6; % 阈值=0.4 93.2 1.4 75.3; % 阈值=0.5 96.8 0.9 73.1; % 阈值=0.6 98.1 0.6 70.5; % 阈值=0.7 ]; n = size(X, 1); m = size(X, 2); % 指标类型：1=效益型，0=成本型 type = [1, 0, 1]; Xn = zeros(n, m); for j = 1:m col = X(:, j); if type(j) == 1 Xn(:, j) = (col - min(col)) / (max(col) - min(col)); else Xn(:, j) = (max(col) - col) / (max(col) - min(col)); end end

四、评估方法选择

模型选择依据：本文评估对象为 5 个阈值点、3 个指标的小样本多指标决策问题，且指标间量纲不同、存在效益型与成本型混合。熵权法完全基于数据内在离散程度客观赋权，避免主观打分带来的偏差，结果可复现性强；秩和比（RSR）法为非参数综合评价方法，无需假设指标分布，对样本量要求低，适合本场景。两者结合既能客观反映各指标的信息量差异，又能对多指标进行稳健排序，因此选用该组合模型进行阈值优选。

4.1 熵权法客观赋权

为避免主观赋权带来的偏差，采用熵权法根据各指标数据的内在离散程度确定权重。信息熵越小，说明指标携带的有效信息越多，权重越大：

%% 熵权法计算客观权重 % Xn 为极差归一化后的矩阵（n 个方案，m 个指标） % 为避免 log(0)，对归一化值做平移处理 P = Xn + 1e-10; P = P ./ sum(P, 1); % 计算指标占比 % 计算信息熵 E = -sum(P .* log(P), 1) / log(n); d = 1 - E; % 信息效用值 w = d / sum(d); % 熵权（客观权重） disp('熵权法客观权重：'); disp(w);

4.2 秩和比（RSR）综合评价

秩和比法是一种非参数综合评价方法，通过将各指标排序后计算秩和比，无需假设指标分布，适用于小样本、多指标的效能评估。结合熵权法权重，对加权秩和比进行排序：

%% 秩和比（RSR）综合评价 % 对归一化矩阵按列编秩：效益型指标秩越大越好，成本型指标秩越小越好 R = zeros(n, m); for j = 1:m [~, idx] = sort(Xn(:, j), 'ascend'); R(idx, j) = 1:n; % 效益型：秩 1~n if type(j) == 0 % 成本型：秩反转 R(:, j) = n + 1 - R(:, j); end end % 加权秩和比 WRSR = sum(R .* repmat(w, n, 1), 2) / (n * sum(w)); [~, rank] = sort(WRSR, 'descend'); disp('加权秩和比 WRSR：'); disp([WRSR, rank]);

将熵权法权重与秩和比排序相结合，得到各阈值点的综合效能评分，用于最终阈值优选。

六、结论

本文面向肺结节 CT 辅助检测场景，构建了以敏感度、每例假阳性数、医生采纳率为核心的三维效能评估体系，并基于 MATLAB R2016a 实现了极差归一化、熵权法客观赋权与秩和比（RSR）综合评价。主要结论如下：

• 多维评估优于单一指标：仅关注敏感度或假阳性数无法反映临床真实价值，医生采纳率作为桥梁指标，能有效衡量 AI 从算法输出到临床决策的转化效率。
• 熵权法赋权更客观：完全基于数据内在离散程度确定权重，避免主观赋权带来的偏差，结果可复现性更强。
• 阈值优选需综合权衡：在 LUNA16 数据集上，阈值 0.6 为综合最优选择，敏感度 96.8%、FP/scan 0.9、医生采纳率 73.1%，实现了检出能力与临床可用性的较好平衡。

未来工作可从以下方向拓展：引入多中心临床数据验证泛化性；将评估框架扩展至结节分类、随访管理等更多任务；结合医生阅片时间等效率指标，构建更全面的临床效能画像。

五、评估结果分析

基于上述评估框架，对 5 个阈值点（0.3~0.7）进行综合评分，结果如下：

从结果可以看出：

• 敏感度与假阳性数存在权衡：阈值从 0.3 升至 0.7，敏感度从 82.5% 提升至 98.1%，同时 FP/scan 从 3.2 降至 0.6，但医生采纳率在阈值 0.5 处达到峰值 75.3% 后开始回落。
• 医生采纳率呈倒 U 形：阈值过低时假阳性过多，医生对 AI 提示信任度下降；阈值过高时敏感度虽高，但医生可能认为系统过度保守、提示价值降低。
• 综合评分最优区间：阈值 0.6 与 0.7 的 WRSR 综合评分接近（0.800 vs 1.000），但阈值 0.6 时医生采纳率更高（73.1% vs 70.5%），临床接受度更好。

综合权衡算法性能与临床可用性，建议将检测阈值设定为0.6：此时敏感度达 96.8%、FP/scan 仅 0.9、医生采纳率 73.1%，在保证高检出率的同时维持较低的复核负担和较高的临床可信度。

七、资源下载

📦稍后补充​

包含：C代码、Matlab代码、仿真报告、readme

【专栏目录】效能评估系列目录