影像科/病理科医生的诊断性试验：敏感性与特异性数据报告的STARD规范要点

　　在医学影像与病理诊断领域，越来越多研究开始关注人工智能辅助诊断、影像识别模型、病理切片分析以及新型诊断方法的准确性。然而，很多研究虽然给出了“敏感性(Sensitivity)”“特异性(Specificity)”“ROC曲线”等指标，但由于研究设计和报告方式不规范，导致结果难以复现，也无法真正用于临床实践。

　　因此，在诊断性试验研究中，国际医学期刊普遍要求作者遵循STARD规范(Standards for Reporting Diagnostic Accuracy Studies)进行论文撰写与数据报告。

　　对于从事影像科、病理科、核医学、超声医学以及AI医学研究的医生而言，理解STARD规范已经成为高质量论文写作的重要基础。

　　什么是STARD规范?

　　STARD，全称为：

　　Standards for Reporting Diagnostic Accuracy Studies

　　中文通常翻译为：

　　“诊断准确性研究报告规范”。

　　STARD最初由国际医学期刊编辑委员会与循证医学专家共同提出，目的在于：

　　提高诊断试验研究的透明度

　　减少偏倚(bias)

　　提升研究可重复性

　　便于同行评估研究质量

　　目前最新版为：

　　STARD 2015

　　已经广泛应用于：

　　放射影像学

　　病理诊断

　　AI医学影像

　　分子检测

　　实验室医学

　　肿瘤筛查研究

　　为什么影像科和病理科尤其需要STARD?

　　在Radiology与Pathology研究中，诊断准确性指标是核心评价标准。

　　例如：

　　AI识别肺结节是否准确

　　MRI判断肿瘤良恶性的能力

　　病理切片识别癌细胞的准确率

　　PET-CT对转移灶检测的灵敏度

　　这些研究本质上都属于：

　　“诊断准确性研究(Diagnostic Accuracy Study)”

　　如果研究仅仅报告：

　　敏感性 92%

　　特异性 88%

　　但没有说明：

　　病例如何纳入

　　金标准(Reference Standard)是什么

　　是否盲法阅片

　　是否连续入组

　　那么研究可信度会明显下降。

　　这也是很多SCI期刊要求STARD checklist的原因。

　　STARD规范中的核心指标：敏感性与特异性

　　敏感性(Sensitivity)

　　敏感性指：

　　检测出真正阳性患者的能力。

　　计算公式：

　　Sensitivity = TP / (TP + FN)

　　即：

　　TP：真正阳性

　　FN：假阴性

　　敏感性越高，漏诊率越低。

　　在影像科中：

　　例如AI肺结节筛查，敏感性高意味着：

　　更少漏掉真实病灶。

　　特异性(Specificity)

　　特异性指：

　　正确识别阴性患者的能力。

　　计算公式：

　　Specificity = TN / (TN + FP)

　　即：

　　TN：真阴性

　　FP：假阳性

　　特异性越高，误诊率越低。

　　例如：

　　病理AI模型如果特异性不足，可能把正常组织误判为肿瘤。

　　STARD规范中最容易遗漏的几个关键点

　　很多影像和病理研究被审稿人质疑，往往不是因为结果不好，而是：

　　“报告不完整”。

　　以下是最常见问题。

　　1. 未明确Reference Standard(金标准)

　　STARD要求必须明确：

　　研究使用什么作为最终诊断依据。

　　例如：

　　病理活检结果

　　随访结果

　　专家共识

　　手术病理

　　如果没有Reference Standard：

　　整个敏感性和特异性都可能失去意义。

　　2. 未说明病例纳入方式

　　STARD强调：

　　必须写清：

　　连续入组(consecutive)

　　随机入组

　　回顾性筛选

　　因为病例选择方式会直接影响偏倚。

　　例如：

　　如果只选“典型病例”，敏感性可能被人为提高。

　　3. 未描述盲法(Blinding)

　　在Radiology研究中：

　　如果阅片医生提前知道病理结果：

　　会严重影响研究客观性。

　　因此STARD要求说明：

　　是否盲法

　　阅片者是否知道临床信息

　　是否独立判读

　　4. 只报告AUC，不报告置信区间

　　很多论文只写：

　　“AUC = 0.91”

　　但没有：

　　95% CI

　　P值

　　样本量依据

　　这是典型统计报告不完整。

　　STARD建议：

　　敏感性、特异性、AUC等指标都应报告置信区间。

　　5. 忽略样本流转图(Flow Diagram)

　　STARD非常强调：

　　病例筛选流程透明化。

　　包括：

　　初始纳入人数

　　排除人数

　　排除原因

　　最终分析人数

　　很多高水平医学期刊会要求：

　　必须提供STARD flow diagram。

　　AI医学影像研究为什么越来越强调STARD?

　　近年来AI医学论文大量增加，但很多研究存在：

　　数据泄漏

　　样本偏倚

　　过拟合

　　外部验证不足

　　因此：

　　在Artificial Intelligence结合医学影像研究中：

　　STARD已经成为基础规范之一。

　　尤其是：

　　肺结节AI

　　病理切片AI

　　CT自动识别

　　MRI分割模型

　　越来越多SCI期刊会要求：

　　STARD checklist

　　外部验证

　　多中心数据

　　否则论文很难进入高水平期刊。

　　如何按照STARD规范撰写诊断性研究?

　　对于影像科和病理科医生来说，可以按照以下逻辑：

　　第一部分：研究对象

　　说明：

　　纳入标准

　　排除标准

　　病例来源

　　是否连续入组

　　第二部分：Index Test

　　即：

　　研究中的“待验证诊断方法”。

　　例如：

　　AI模型

　　MRI判读

　　PET-CT

　　新型病理染色

　　第三部分：Reference Standard

　　明确最终诊断依据。

　　第四部分：统计分析

　　报告：

　　敏感性

　　特异性

　　PPV

　　NPV

　　AUC

　　95% CI

　　第五部分：偏倚分析

　　说明：

　　是否盲法

　　是否外部验证

　　是否存在选择偏倚

　　FAQ 常见问题

　　Q：STARD和CONSORT有什么区别?

　　A：STARD用于：

　　诊断准确性研究。

　　而CONSORT主要用于：

　　随机对照试验(RCT)。

　　两者适用研究类型不同。

　　Q：影像AI论文一定需要STARD吗?

　　A：现在很多医学影像SCI期刊已经明确建议或要求：

　　AI诊断研究参考STARD规范。

　　尤其涉及：

　　敏感性

　　特异性

　　ROC分析

　　时更应规范报告。

　　Q：病理科回顾性研究需要STARD吗?

　　A：需要。

　　即使是回顾性研究，只要核心目标是：

　　评价诊断准确性。

　　通常都建议遵循STARD。

　　Q：投稿前如何检查STARD是否完整?

　　A：建议在投稿前对照STARD checklist逐项核查。有些医生在准备SCI医学论文时，也会借助专业医学论文辅导资源，例如像海马课堂这类科研支持平台，对研究设计、统计报告或STARD规范进行预审，从而减少返修风险。