假阳性悖论——检查呈阳性，没得病的概率反而更高？

大家好，我是 Senko。本文将解读“假阳性悖论（伪阳性悖论）”。

体检被告知“阳性”，任谁都会不安。然而，即使精度 99% 的检查呈阳性，实际患病的概率也可能不到 50%。这不是数字魔术，而是概率论给出的铁一般的事实。

用具体例子来看

哈佛大学医学院一项著名调查中，向医生和医学生出过类似的题目，据报告约半数人答错了。这是连专家都会掉进去的直觉陷阱。

假设某种疾病的患病率为 0.1%（每 1000 人中 1 人）。检测这种病的检查精度如下：

乍看是相当优秀的检查。可我们看看给 10 万人做这个检查的结果。

10 万人中患病者 100 人（患病率 0.1%），健康者 99,900 人。

100 名病人中，99 人被正确判为阳性（灵敏度 99%）；99,900 名健康人中，999 人被误判为阳性（假阳性率 1%）。

也就是说，被判为阳性的共 99 + 999 = 1,098 人，其中真正患病的只有 99 人。

即使查出阳性，实际患病的概率也只有 99 ÷ 1,098 ≈ 约 9%。

关键在于“患病率之低”。

因为疾病罕见，接受检查的人绝大多数是健康的。哪怕检查精度 99%，也会把健康人的 1% 误判为阳性。基数庞大的健康人群中的这区区 1%，在数量上就足以碾压为数不多的真阳性。

这说明先验概率（患病率）从根本上左右着结果的解读。只盯着检查精度，是做不出正确判断的。

有一个帮助理解的直观思路：“接受检查之前，自己患病的概率”只有 0.1%。无论检查结果如何，出发点都是这个极低的概率。精度 99% 的检查确实提供了有力证据，但要推翻 0.1% 这个过低的起点，一次检查还远远不够。

在数学上解释这个悖论的，是贝叶斯定理。

检查呈阳性时实际患病的概率（阳性预测值），不能只看检查精度，必须把患病率也纳入计算。患病率越低的疾病，查出阳性却并未患病的概率就越高。

反过来，如果是患病率高的疾病（比如 50%），精度 99% 的检查呈阳性时，实际患病的概率就超过 99%。同一个检查，面向的人群不同，结果的含义就完全不同。

这个悖论对现实医疗有着重大影响。

大规模筛查中恰恰会出现这个问题：给大量健康人做检查会产生大量假阳性，带来不必要的精密检查与焦虑。这也是某些检查只面向高危人群的原因之一。

新冠疫情期间，围绕对无症状者进行大规模检测的意义，这个悖论也被反复讨论。不结合该人群的感染率，仅凭检测精度无法正确解读结果。

假阳性悖论并不限于医疗。

“恐怖分子检测”：即使机场人脸识别系统能以 99.9% 的精度识别恐怖分子，如果 100 万乘客中只有 1 名恐怖分子，绝大多数警报都是误报——999 名无辜者被错拦，现场一片混乱。

“垃圾邮件过滤”：再精准的过滤器，在正常邮件占绝对多数时，被误判成垃圾邮件的正常邮件（假阳性）也会相当可观。

“审判中的证据”：即使 DNA 鉴定的匹配概率号称百万分之一，如果嫌疑人不是从大城市全体居民中筛出来的，这个“匹配”的含义就与直觉大相径庭。

应对假阳性悖论最实用的办法是“复检”。想一想第一次查出阳性后，再做一次同样检查的情形。

第一次阳性把“患病概率”从 0.1% 提升到了约 9%。把这 9% 作为新的先验概率去解读第二次的结果：连续两次阳性时，实际患病的概率跃升到约 91%。这正是精密检查（二次检查）的逻辑依据。

病越罕见，阳性就越靠不住，那该怎么办呢。手段有三个。

出人意料的是第二条。在罕见病上，特异度远比灵敏度管用。

患病率为0.1%时，十万人里得病的只有100人。把灵敏度从99%提到100%，多捞到的不过1人；而把特异度从99%提到99.9%，假阳性就从999人锐减到约100人。

分母差着数量级，所以“把健康的人正确排除掉”的能力才左右结果。

第三条的组合也很有力：过两道互不相关机制的检查，假阳性会以乘法减少。各自1%的空振，两次都空振的概率就是万分之一。

集体体检先做简易检查、只对阳性者做精密检查，正是同时用上第一条与第三条的设计。比起“给所有人做高精度检查”，“先收窄对象再叠加”效率更高。

这个问题里起作用最大的不是检查的精度，而是那种病有多罕见。

把灵敏度99%、特异度99%这同一套检查，只改变患病率来用，结果排出来是下面这样（按十万人受检计算）。

患病率	真阳性	假阳性	阳性中真得病的比例
0.01%（万分之一）	约10人	约1,000人	约1.0%
0.1%（千分之一）	约99人	约999人	约9.0%
1%（百分之一）	约990人	约990人	约50.0%
10%	约9,900人	约900人	约91.7%
50%	约49,500人	约500人	约99.0%