贝叶斯诊断推断

检测结果从来不是脱离人群背景的孤立结论。阳性人群由两股来源汇成：一股是真患病且被测出的人，另一股是健康却被误报的人；当目标状态罕见时，健康人的基数非常大，第二股的绝对人数即使只占很低比例，也可能压过第一股。因此诊断推断不能只盯着灵敏度、特异度或笼统的“准确率”，还必须把先验患病率纳入计算。后验概率回答的是“我在阳性人群中属于哪一股”，所以 $P(+\mid D)$ 表示检测对患病者有多灵敏，$P(D\mid +)$ 才表示阳性者实际患病的概率，两者方向绝不能互换。用赔率表达时，Bayes 更新就是“先验赔率乘以证据的似然比”；这也解释了为什么罕见疾病即使配上高灵敏度、高特异度的检测，仍可能因假阳性基数庞大而得到不高的阳性预测值。

取患病率 $1\mathrm{\%}$、灵敏度 $99\mathrm{\%}$、假阳性率 $5\mathrm{\%}$，用自然频数最容易算清：设想 $10000$ 人接受筛查，约 $100$ 人患病，其中约 $99$ 人呈阳性；$9900$ 名健康者中约 $495$ 人被误报。阳性者合计约 $594$ 人，真正患病的比例为

远低于直觉中的 $99\mathrm{\%}$。同一组数据里，阴性者约 $9406$ 人而漏诊只约 $1$ 人，阴性预测值超过 $99.9\mathrm{\%}$：这类检测"排除疾病"的能力远强于"确诊"的能力。

同一计算也可用赔率看得更紧凑：先验赔率为 $1:99$，阳性似然比为 $0.99/0.05=19.8$，所以后验赔率为 $19.8:99=1:5$，换回概率正是约 $16.7\mathrm{\%}$。赔率写法在连续纳入多条证据时尤其方便，但每次相乘似然比仍要求相应的条件独立假设。

结论对输入高度敏感，而输入必须来自与被检者匹配的人群：无症状普查人群与因症状就医人群的 $P(D)$ 可以相差一个数量级，同一份阳性报告的含义随之完全不同。重复检测时把多次阳性当作独立证据连乘似然，只有当"给定病情状态后各次结果条件独立"成立才合法；由同一机制引起的系统性误报（如交叉反应）会让这种连乘严重高估风险。此外，计算给出的只是概率更新，不是临床决策：行动还需叠加两类错误的代价与后续确认检查的成本。

这个二状态基率计算是Bayesian 统计模型公理库Bayesian 统计模型Bayesian statistical model以参数先验和条件抽样模型共同定义参数与数据的联合分布，并由观测条件化得到后验。的一个有限状态实例：先验、诊断条件分布与观测共同定义联合律，后验则是该联合律给出的条件分布。若要从概率更新走到治疗、复检或放弃检查，还必须加入行动空间与损失，并在后验下比较行动，见Bayes 估计量与后验风险公理库Bayes 估计量与后验风险Bayes estimator · Posterior expected loss给定观测后最小化后验期望损失的行动规则及其条件风险。。因此后验疾病概率本身不会自动决定治疗阈值，也不能替代模型失配和选择偏差审计。

在这一模型层次内，Bayes 定理给出后验更新公式，条件概率公理库条件概率Conditional probability在已知正概率事件发生后，把交集概率重新规范到该事件内部。则澄清灵敏度 $P(+\mid D)$ 与预测值 $P(D\mid +)$ 的方向差别；同一套基率校正远不止用于医学筛查。垃圾邮件过滤中“包含某关键词”扮演阳性证据，运维故障告警、安检报警、取证 DNA 匹配和序贯试验也都对应同一张表：先验来自目标在人群或样本中的基数，似然来自设备或模型的混淆行为。串行处理多条证据时，可以把上一轮后验作为下一轮先验；若再假设各证据在给定真实状态后相互独立公理库独立性Statistical independence若干事件、σ-代数或随机元素的所有有限联合概率都按边缘概率乘积分解。，便得到朴素 Bayes 分类器一类可扩展推断器，但该假设失真会让结果系统性地过度自信。

诊断指标能否跨人群搬用，是另一个独立边界。灵敏度与特异度在目标定义、检测阈值和实施条件固定时，不会像预测值那样仅因先验改变就发生代数变化，却仍可能随人群疾病谱与选择机制漂移；阳性、阴性预测值则必须针对具体人群重新计算，不能直接从检测说明书抄取。