这玩意，一个看你是检查什么病，一个是怎么说这个结果。
像 Trisomy 这样的，比如唐氏综合症这样的，第一型和第二型错误都可以到 0.1% 以下。
什么是第一型和第二型错误？套维基上的说明：
以利用驗孕棒驗孕為例，此時未懷孕為零假設。若用驗孕棒為一位未懷孕的女士驗孕，結果是已懷孕，這是第一型錯誤。若用驗孕棒為一位孕婦驗孕，結果是未懷孕，這是第二型錯誤。
把怀孕换成唐氏综合症，就是这个意思。如果说怀孕为阳性，未怀孕为阴性，一型错误也就常被称为是假阴性（False negative error），二型是假阳性（False positive error）。
准确率高是因为分类器简单。
学过模式识别的人都知道，设计分类器，有两个重要的部分，一个是正确的特征（feature），一个是对应的分类器。如果有正确的特征，很普通的分类器，也能做出很高质量的预测，根本不需要什么深度学习那种的。
唐氏综合症就是这样的例子，因为它的特征很明白：21 染色体多了一个。所以，如果有了染色体的信息，取一个阈值就完了。所以，特征提取这个困挠人的大难题，不存在了。（相比一下，我有朋友是做孕妇败血症的，大海捞针，那个就完全不一个量级的难度）
难点呢，在于信号的质量很差，噪音很高。因为，你想知道的，是婴儿的染色体信息，但是在母血里，是和大量母亲的染色体混杂的。所以，这差别给冲淡了。
但是，像唐氏综合症这样的，靶子很大，不是只有一个特征，整条染色体所有位点全是特征，所以，就可以用空间采样密度来换取高信噪比，把整个染色体上上下下采个遍。如果是测序，就是整条染色体全测过，分成很多段来算，最后取平均。
另一个难点呢，其实是在如何归一化样本，让产妇样本之间的可比性增加，就能保证分类器的普适性。
这一点上，做产前检查的优势，就在有大量的样本。每年孕妇多少人？相关公司收集个几万样本不是难事，从此可以得到比较可靠的原始数据归一化方法。
这样下来，像普通的唐氏综合症这样的，第一型和第二型的准确率，都比较高的。这里是做此类检查的 Sequenom 公司的广告（见 MaterniT21® PLUS NIPT），其中 sensitivity（灵敏度）是真阳性，就是 1 – 假阴性，specificity（特异度） 是真阴性，是 1 – 假阳性：
但是对有些病，就难了。比如只是染色体局部出现倍增或缺失的，这样你就只有一小段染色体来获取特征。这个就是此类筛查的分辨率的问题。像唐氏这样整条染色体的倍增，需要的分辨率很低，成功率自然就高。印像中，现在孕期筛查的分辨率做到几百万个碱基对这样的，问题不大。再降到基因一级，就是几十万到几万，是当下的目标。
再一个问题，就是这准确率怎么呈现。
比如吧，假设灵敏度和特异度都高达 99.9%。有一万个孕妇待查。我们知道对于 35 岁的孕妇，唐氏，就是 21 染色体倍增的比例，是 1/185。就是说平均有 54 名孕妇有这个问题，99.9% 的准确率是说这些孕妇都能被查出来，同时，一万孕妇里，有 10 个人也会被误诊。就是说，总共会有 64 名被查出可能有唐氏的孕妇，其中真正有唐氏的机率（学名叫 positive predictive value）是 54/64 = 84%。你要接着做有更大流产风险的穿刺检查么？
相比之下，18 染色体倍增机率是 1/470。这样算下来，真正有病变的机率就降到了 68%。如果是 13 染色体倍增，机率是 1/1500，就降到 40%。
（上面这几个病的数据来自 GenomeWeb 文章：Clinical Sequencing News）
所以任何检查，都会有免责声明：No test is perfect.
大致如此。
来源：知乎 www.zhihu.com
作者：talich
【知乎日报】千万用户的选择，做朋友圈里的新鲜事分享大牛。
点击下载
此问题还有 3 个回答，查看全部。
