影像组学研究通常使用以下指标来评价模型的性能和预测能力：
敏感性（Sensitivity）：又称为真阳性率（True Positive Rate, TPR），是指模型正确识别阳性样本的比例。敏感性越高，漏诊率越低。
特异性（Specificity）：又称为真阴性率（True Negative Rate, TNR），是指模型正确识别阴性样本的比例。特异性越高，误诊率越低。
准确率（Accuracy）：是指模型正确识别所有样本（包括阳性和阴性样本）的比例。准确率越高，说明模型预测的总体准确性越高。
精确度（Precision）：又称为阳性预测值（Positive Predictive Value, PPV），是指模型识别为阳性的样本中，真正为阳性的比例。精确度越高，说明模型预测阳性的准确性越高。
召回率（Recall）：与敏感性相同，也是指模型正确识别阳性样本的比例。
F1分数（F1-score）：是精确度和召回率的调和平均值，用于综合评估模型在阳性样本识别的准确性和漏诊率。F1分数越高，说明模型的综合性能越好。
AUC-ROC（Area Under the Receiver Operating Characteristic Curve）：ROC曲线下的面积，用于评估模型在不同阈值下的分类性能。AUC值越接近1，说明模型的分类性能越好；若AUC值为0.5，则模型的分类性能等同于随机猜测。
Kappa系数（Cohen’s Kappa）：用于评估模型预测与实际观察之间的一致性。Kappa值范围从-1（完全不一致）到1（完全一致），值越大，说明模型预测与实际观察之间的一致性越好。
这些指标可以根据研究目的和具体场景进行选择和组合，以全面评估模型的性能。
