数据一致性分析 & Bland-Altman图

一一

【案例说明】
在检测青光眼时，杯盘比（cup-to-disc ratio）是重要的指标，临床上一般将杯盘比大于 0.65 的诊断为青光眼。现在有一组病人的眼底图像，富有经验的医生对这组数据进行人工标记，划分出视盘、视杯的区域并计算出杯盘比，此时我们可以认为医生标记的数据是很可靠的，这组数据可作为 “ground-truth”，即 “金标准”。

但是医生手工标记的方法费时费力，为了提升检测效率，开发了一种自动分割视杯视盘的分割方法，现在这种自动化方法也对这组病人数据进行了分析，分割出了视杯、视盘的区域，同样也计算出了杯盘比。

这种自动化的方法到底好不好？能不能代替医生来分析数据？就需要对这种自动化方法得出的结果进行评估。

【一致性评价】
用两种方法对同一组数据进行测量，一般不会获得完全相同的结果，总是存在着一定趋势的差异，如一种方法的测量结果经常大于（小于）另一种方法的结果，这种差异被称为偏倚。

这种偏倚可以用两种方法测量结果差值的 平均数 d dd 进行估计，平均数 d 的变异情况可以用差值的 标准差 Sd来描述。如果两种方法测量结果的差值服从正态分布，则 95% 的差值应该落在 [d−1.96Sd，d+1.96Sd]之间。

我们称该区间为 95%一致性界限（95% limits of agreement，95% LoA），当绝大多数差值位于该区间内，则可以认为这两种方法具有较好的一致性，可以互相代替（更严格说还要考察这个范围在专业上是否被认可为一致的）。

【Bland-Altman 图】
Bland-Altman 图是反应数据一致性很简单直观的图示方法。Bland-Altman 方法的基本思想是计算两组测量结果的一致性界限，并用图像直观反应这个一致性界限。

在 Bland-Altman 图中，横轴表示两种方法测量每个样本的结果平均值，纵轴表示两种方法测量结果的差值。

图中上下两条 红色水平虚线 表示 95%一致性界限的上下限，即 1.96 倍的标准差；中间的 蓝色水平实线 代表差值的平均值；橘黄色水平虚线 表示差值平均值为 0 的位置。

两种方法测量结果的一致程度越高，代表差值平均数的线（蓝色实线）就越接近代表差值平均数为 0 的线（橘黄色虚线）。

根据 95% 一致性界限外侧的数据点个数和一致性界限内的最大差值，以及临床上的可接受程度，可对自动化分割方法做出一致性评价。
————————————————
版权声明：本文为CSDN博主「yaoyz105」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_31347869/article/details/103850659