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：
- 把病人正确判为阳性的概率（灵敏度）：99%
- 把健康人正确判为阴性的概率（特异度）：99%
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%。
为什么会这样
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。
贝叶斯定理
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。
对现实生活的影响
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。
医疗之外的应用
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。
对策：复检的威力
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。
推翻概率直觉的相关悖论
以下是与假阳性悖论同样推翻概率直觉的相关悖论。
结语
本文解读了“假阳性悖论”。
再精准的检查，面对罕见疾病也会产生大量假阳性——这个事实违背直觉。它告诉我们：要正确读懂数字，贝叶斯式的思考不可或缺。
想返回悖论列表的读者请点击下方链接。
我们下一篇文章见。
📚 系列：世界经典悖论（27/57）
