医学测试悖论,以及重新设计贝叶斯法则

The medical test paradox, and redesigning Bayes' rule

频道:3Blue1Brown · 时长:21:13 · 发布:2020-12-22 · 播放:1434651

在 YouTube 观看

简介

3Blue1Brown 解释了为什么准确医学测试的阳性结果往往是假阳性,并使用似然比(贝叶斯因子)重新构建了贝叶斯法则以更新几率。它使用视觉示例使推理直观易懂。

HN 为什么推荐

每当贝叶斯推理、基础率或不完美测试出现时,HN 的首选链接。

是对该概念的精彩介绍 — HN, 2021

概率与博弈论 · 趣味与视觉数学

中文字幕节选

你们中有些人可能听说过这个关于医学检测的悖论。 它常被用来引入概率论中的贝叶斯法则。 这个悖论是:你可能做了一项高度准确的检测, 所谓准确,是指它给出的结果正确, 对绝大多数接受检测的人来说都是如此。 然而,在特定情况下,当评估 你这次检测结果正确的概率时, 你仍然可能得到一个非常低的数字,事实上,可以任意低。 简而言之,一项准确的检测不一定是一项预测性很强的检测。 当人们想到数学和公式时, 他们通常不会把它看作一个设计过程。 我的意思是,也许在符号表示方面,很容易看出不同的选择 是可能的,但就公式本身的结构 以及我们如何使用它们而言,人们通常认为这是固定的。 在本视频中,你我将深入探讨这个悖论, 但与其用它来讨论通常版本的贝叶斯法则, 我想引出一个替代版本,一个替代的设计选择。 现在,屏幕上显示的内容有点抽象, 这使得很难证明这里 确实存在实质性差异, 尤其是我还没有解释其中任何一个。 不过,要明白我在说什么,我们真的应该先花一些 时间更具体地,把这个问题到底是什么讲清楚。 想象一千名女性,假设其中1%患有乳腺癌。 假设她们都接受某种乳腺癌筛查, 其中9名患癌者正确得到阳性结果, 还有1例假阴性。 然后假设在其余没有癌症的人中, 89人得到假阳性,901人正确得到阴性结果。 所以,如果你对一位女性所知道的全部信息就是她 做了筛查并且得到阳性 结果,你没有关于症状之类的信息, 你知道她要么是这9个真阳性之一,要么是这89个假 阳性之一。所以,在给定检测结果的情况下,她属于癌症组的概率 是9除以9加89,约等于1/11。 用医学术语来说,你会把这称为检测的阳性预测值, 或PPV,即真阳性的数量除以 阳性检测结果的总数。 你能看出这个名字的由来。 阳性检测结果在多大程度上 真正预测了你患有该疾病? 现在,希望我这样呈现,即我们具体地 考虑一个样本群体时,这一切都完全说得通。 但让人觉得反直觉的地方在于,如果你只是看 检测的准确率,把它作为一个统计数据呈现给人们, 然后让他们对自己的检测结果做出判断。 检测准确率实际上不是一个数字,而是两个。 首先,你问检测在患病者身上正确的频率是多少。 这被称为检测灵敏度,意思是 它对检测疾病存在的敏感程度如何。 在我们的例子中,检测灵敏度是9/10,即90%。 另一种表达同一事实的方式是说假阴性率为10%。 然后一个单独的、不一定相关的 数字是它在未患病者身上 正确的频率,这被称为检测特异性, 意思是阳性结果是由疾病特异性引起的, 还是有混杂因素导致假阳性。 在我们的例子中,特异性约为91%。 或者另一种表达同一事实的方式是说假阳性率为9%。 所以这里的悖论是,在某种意义上,检测准确率超过90%。 它对超过90%的受检者给出正确结果。 然而,如果你得知某人得到 阳性结果,且没有任何额外信息, 那么该特定结果准确的概率实际上只有1/11。

HN 上的讨论

我同意这绝对是一种趋势,所以我觉得应该强调一个很棒的教育内容例子,它非常密集、简洁,还带有一点奇思妙想:YouTube上的3Blue1Brown[0]。他多年来一直在YouTube上制作数学教育视频。我刚刚看了他关于医学测试悖论和重新设计贝叶斯规则以解决它的最新视频[1]。他所有的视频都绝对非凡——我在YouTube上见过的最好的教育内容。我强烈推荐它们。根据我的经验,这更像是在阅读一本(非常吸引人的)教科书,而不是在看视频。我经常发现自己停下来思考,并且在观看时能_感觉_到自己正在掌握新想法和学习。[0] [LINK] [1] [VIDEO] — drewmate, 2020-12
我非常喜欢3blue1brown的这个视频[1],他提出将显著性视为更新概率的一种方式。一个阳性测试(或在这个类比中的一项研究)将概率更新X%,因此你几乎总是需要更多的测试(或研究)才能做出‘有意义’的判断。[1] [VIDEO] — V__, 2025-08
3Blue1Brown解释得很好。[VIDEO] 如果实际上没有严重癌症的人群数量比有癌症的人群大几个数量级,那么假阳性组的人数将远多于真阳性组,因此绝大多数手术都是不必要的。 — andersrs, 2024-01
几乎不存在能确认或否认特定感染的测试。把它们(和症状)更多地看作是赔率更新器。如果你有20分钟空闲,这个由3 Blue 1 Brown制作的视频[0]是对这个概念的一个精彩介绍。[0] [VIDEO] — kilotaras, 2021-01
通常,只有在基本的“嗅觉测试”失败后,才会请出检测器。这些测试是不完美的,是的,但贝叶斯概率告诉我们如何计算出其余部分。我完全相信,一个不道德的人将一项令人不快且被视为仅仅是仪式性的职责推给“思考机器”的先验概率大约为20%。参见:[VIDEO] — conartist6, 2025-11

相关视频