论文题目：Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images
论文下载: [点击下载](/download/Application of artificial intelligence using a convolutional neural.pdf)
测试集：13584张胃癌图片，包含2639个胃癌病变（经组织学验证）
测试集： 2296张胃癌图片，包含69个病人，77个胃癌病变(62 cases had 1 gastric cancer lesion, 6 had 2 lesions, and 1 had 3 lesions)，每个病人18~69张图片。
速度： 共用49s 检测2296张图片
overall sensitivity： 92.2% （71/77） 71个胃癌病变成功被检测出来
positive predictive value： 30.6%=71/（71+161） 161个非癌性病变误检测，过半误检测为胃炎
结果：
实验：将训练集resize到300*300,送入网络fine-tune参数，然后检测测试集，检测胃癌病变区域。将其用矩形框框出。
- 714张图片被诊断出胃癌 714/2639=31.1%
- 测试集中52个（67.5%）是早期胃癌T1, 25个(32.5%)是advanced cancer T2,T3,T4
- 平均肿瘤大小是24mm(3到170mm)
思考：
准确率该如何计算，如果单看被检测所有的测试集图片，只有不到1/3的图片被检测出有胃癌。
但是如果按照检测的胃癌病变，一共有71/77个病变被检测出来！
我想了下，主要是因为一个病变包含多张图片，作者认为只要某个病变的一张图片被正确诊断，就认为该病变被成功检测出来。类似于多示例学习。
但是这样的话，误诊的也很高，这个161个非癌性病变被误诊是怎么算出来的？？？医生对误诊的区域进行手动分类统计？？？
评论区