肿瘤标志物：一个阳性结果，到底意味着多大概率

「跟着 AI 学任何东西」系列第 15 篇，「读懂体检报告」第 3 篇，也是这一支的收尾。前两篇处理「查出来怎么理解」和「值不值得查」，这一篇处理最让人心慌的那一刻。

⚠️ 本文讲的是概率，不构成医疗建议。请注意：本文不是说「阳性可以不管」——标志物异常需要找医生评估。它只是告诉你，不必按最坏情况给自己判决。

那个箭头出现的瞬间

体检报告上有一页，十几个缩写排成一列：CEA、AFP、CA125、CA19-9、PSA……大部分后面是一串数字，你看不懂但也不在意。

然后你看到其中一个后面，有一个向上的箭头。

那一刻脑子里只有一个问题：

我得癌的概率有多大？

这个问题有确切答案。而且这个答案会让绝大多数人松一口气——它只需要一点小学算术。

你想知道的，和说明书告诉你的，是两个方向

先把三个概念摆清楚，因为这是整件事的枢纽。

一个检查有两个固有属性：

• 敏感性：有病的人里，能被查出来的比例。
• 特异性：没病的人里，能被正确排除的比例。

这两个数字印在说明书上，是检查本身的性能指标。

但你真正想知道的，是第三个数字：

• 阳性预测值（PPV）：报了阳性的人里，真的有病的比例。

关键来了：

PPV 不是检查的固有属性。它取决于你所在人群的患病率。

换句话说：说明书回答的是「如果你有病，我能不能查出来」；而你想问的是「我查出阳性了，我有没有病」。这是两个方向相反的问题。

把它们当成一回事，就是所有恐慌的来源。

算一笔账

假设有一个标志物，敏感性 80%、特异性 95%——这在真实世界里已经算相当不错的指标了。

（说明：以下数字都是为了讲清道理而设的假设值，不对应任何具体的标志物。）

现在把它用在两种人群里，各查 10 万人。

① 普通健康人群（假设患病率 0.1%）

• 真的有癌的：100 人。检查能查出其中 80%，也就是 80 人（真阳性）。
• 没有癌的：99 900 人。检查有 5% 会误报，也就是 4 995 人（假阳性）。
• 报阳性的总共：80 + 4 995 = 5 075 人。
• 其中真的有癌的：80 人。

阳性预测值 = 80 ÷ 5075 ≈ 1.6%。

也就是说：在这 5000 多个被吓到的人里，大约每 60 个人中才有 1 个真的有癌。

② 高风险人群（假设患病率 5%）

同一个检查，一个字没改：

• 真的有癌的：5 000 人 → 查出 4 000 人。
• 没有癌的：95 000 人 → 误报 4 750 人。
• 阳性共 8 750 人，其中真的有癌 4 000 人。

阳性预测值 ≈ 46%。

从 1.6% 到 46%

检查一点没变。变的只是人群。

所以那句话可以这样说：

「阳性」这两个字本身没有意义。它的含义取决于「在你身上，这件事本来有多大可能」。

（顺带说一个技巧：这段推理如果用条件概率公式写出来，大多数人——包括很多医生——会算错。但换成「10 万人里……」这种自然频率的说法，正确率会大幅提高。要让人理解概率，就把它变成数人头。）

所以标志物到底该用在哪

看懂上面那笔账，这个问题的答案就自明了。

它的成熟用途，是在已经确诊的患者身上——监测治疗有没有效、监测有没有复发。

因为在那种场景下，「这个人有癌」这个前提已经成立了。标志物的变化趋势（降下来了、又升上去了）才有明确含义。

而把它用在健康人群的普查上，恰恰是把它放进了 PPV 最低的那个场景。

反过来，也有它变得有价值的场景：在高危人群里。比如对乙肝感染者、肝硬化患者做的肝癌监测——不是检查变好了，是那个人群的患病率高了。

同一个工具，用在不同人群里，是完全不同的两件事。

但我没有全信——三处需要补上

一、真的有人试过用标志物筛查健康人群，结果如何？

试过，而且规模很大。

UKCTOCS 试验纳入了 20 多万名 50 到 74 岁的女性，用 CA125（配合超声和一套风险算法）筛查卵巢癌，平均随访约 16 年。

结果：筛查组和不筛查组的卵巢癌死亡率，没有显著差异。 而且筛查伴随了一定的危害。研究者的结论是：目前不推荐面向一般人群的卵巢癌筛查项目。

这又是一次「机制上讲得通，不等于临床上有获益」——早发现听起来天经地义，但试验说了不算数。

二、「肿瘤标志物」这个名字本身就有误导性

它听起来像「肿瘤的标志」——有它就有肿瘤，没它就没有。

但事实是：这些物质大多不是癌细胞独有的。它们很多是正常组织也会产生的，或者在炎症、良性疾病、某些生理状态下就会升高。吸烟、良性肝病、炎症、月经周期，都可能让相应的指标偏高。

准确的说法是：它们只是「和肿瘤相关的、可测量的物质」，不是「肿瘤的证据」。

（这已经是这个系列第三次栽在名字上了——「消炎药」不是抗生素，「好/坏胆固醇」不是两种胆固醇，「肿瘤标志物」不是肿瘤的标志。我打算在方法论篇里把这些坑归一次类。）

三、这不等于「阳性可以不管」

必须把这一条说清楚，因为前面所有的算术都可能被误读成「所以不用管」。

不是的。

1.6% 不是零。而且更重要的是：上面那笔账算的是「筛查健康人群」的场景。 如果你同时有症状、有家族史、有相关的基础疾病，那你根本不在「普通健康人群」那一栏里——你的先验概率更高，PPV 也更高。

正确的做法是：把这个结果交给医生，让他结合你的整体情况判断。

这篇文章要给你的不是「不用管」，而是在等待进一步检查的那几天里，不要按最坏的情况给自己判决。那个焦虑，在数学上是没有依据的。

搞懂之后，我的行动清单

1. 看到阳性，先问「我属于哪个人群」。 有没有症状、家族史、基础病——这决定了那个数字对你意味着什么。
2. 别主动往体检套餐里加肿瘤标志物。 在健康人群里，它带来的假阳性远多于真阳性，而每一次假阳性都是一连串检查和几周的焦虑。（「多查点没坏处」这个念头，这个系列已经打过三次了。）
3. 但阳性一定要找医生。 拿着报告去，不要自己在网上查症状。
4. 如果你在高危人群里（比如乙肝感染者），按医生安排的监测方案做——那个场景下这些检查是有价值的。
5. 学会用「一万人里有几个」来思考，而不是百分比。这一条在医学之外也管用。

---

「读懂体检报告」这一支到这里就齐了：结节讲检出率不等于发病率，筛查的数学讲值不值得查，标志物讲阳性意味着什么。

三篇合起来想说的其实是同一件事：

体检报告上的每一个数字，都不是对你的判决，而是一条需要结合背景来解读的证据。

而背景，就是概率。

---

附：这次我是怎么问 AI 的

• 把「我想知道的量」和「说明书上写的量」分开。 这是整篇的枢纽——敏感性回答「如果你有病能不能查出来」，而你想问的是「查出来了有没有病」。两个方向相反的条件概率，被混为一谈，是所有恐慌的来源。
• 让它用自然频率算给我看，而不是给公式。 「10 万人里……」这种算法，普通人（甚至医生）的正确率远高于条件概率公式。要让人理解概率，就把它变成数人头。
• 同一个工具，问它在不同场景下的表现。 把同一个检查代进两种患病率，PPV 从 1.6% 跳到 46%——这个对比比任何解释都有力，因为变量只有一个。
• 问「有没有人真的试过」。 UKCTOCS 就是这么问出来的。又一次验证：机制上讲得通 ≠ 临床上有获益。
• 写完之后，主动找这篇文章最可能被误读成什么。 这一篇最危险的误读是「所以阳性不用管」，所以必须专门写一节堵上。如果一篇文章可能被读成危险的结论，作者有责任提前把那条路堵死——这是我在上上篇（结节）学到的，这次是第二次用。

参考来源

• Menon U, et al. Ovarian cancer population screening and mortality after long-term follow-up in the UK Collaborative Trial of Ovarian Cancer Screening (UKCTOCS): a randomised controlled trial. The Lancet, 2021.（20 余万名女性、平均随访约 16 年，未见卵巢癌死亡率显著下降）
• 阳性预测值与患病率的关系：贝叶斯定理的标准结论。文中算例的敏感性、特异性与患病率均为便于说明而设的假设值。
• 肿瘤标志物的临床定位（已确诊患者的疗效与复发监测，而非健康人群普查）以及良性情况下的升高：临床检验学共识。