什么是特异性和敏感性

更新日期：2026-11-11 22:57:21

标题

什么是特异性和敏感性

内容

在医学、统计学和机器学习等领域，特异性（Specificity）和敏感性（Sensitivity）是衡量诊断工具或模型性能的两个重要指标。它们用于评估测试结果与真实情况之间的匹配程度，特别是在疾病检测、分类任务中具有重要意义。

一、概念总结

敏感性（Sensitivity）：

指在所有实际为“阳性”的样本中，被正确识别为阳性的比例。它衡量的是模型或测试是否能够有效发现真正的病例。敏感性越高，漏诊的可能性越低。

公式：

$$ \text{Sensitivity} = \frac{\text{True Positives (TP)}}{\text{True Positives (TP)} + \text{False Negatives (FN)}} $$

特异性（Specificity）：

指在所有实际为“阴性”的样本中，被正确识别为阴性的比例。它衡量的是模型或测试是否能够准确排除非病例。特异性越高，误诊的可能性越低。

公式：

$$ \text{Specificity} = \frac{\text{True Negatives (TN)}}{\text{True Negatives (TN)} + \text{False Positives (FP)}} $$

二、对比表格

三、实际应用举例

假设某医院进行一项癌症筛查测试，共检测了100人，其中：

- 真实患者（阳性）：30人

- 非患者（阴性）：70人

测试结果如下：

- 真阳性（TP）：25人

- 假阳性（FP）：10人

- 真阴性（TN）：60人

- 假阴性（FN）：5人

根据上述数据计算：

- 敏感性 = 25 / (25 + 5) = 25/30 ≈ 83.3%

- 特异性 = 60 / (60 + 10) = 60/70 ≈ 85.7%

这说明该测试对患者有较高的识别能力，但也有一定概率将健康人误判为患者。

四、总结

敏感性和特异性是评估诊断系统或分类模型性能的重要指标，两者之间往往存在权衡关系。在实际应用中，需根据具体需求选择合适的平衡点。例如，在疾病早期筛查中，通常更注重高敏感性以减少漏诊；而在后续确认阶段，则可能更关注高特异性以避免不必要的治疗。

随便看