最終更新日:
AIモデルが、実際には陽性であるインスタンスに対して、誤って陰性と予測した状態（第二種過誤）を指します。
モデルが真の事例を見落とした場合に発生します。これは、不正検出、セキュリティ、または医療診断において極めて危険です。偽陰性は、検知されない脅威や、介入の機会を逸することにつながる可能性があります。ガバナンス体制においては、再現率を監視し、許容可能なリスクレベルを確立するとともに、見落とされた事象を捕捉するための二次的なチェックやモニタリング（例：異常検知など）を導入する必要があります。
実際の導入事例：
がん検診AIにおいて、2%の偽陰性率は、100個の腫瘍のうち2個が検出されないことを意味します。ある病院では、確信度の低いスキャン画像に対して手作業によるダブルチェックプロセスを導入し、モデルの判定しきい値を下げることで、偽陽性がわずかに増加する代わりに偽陰性を1%に抑えました。その後、患者の治療経過を追跡し、この調整の有効性を検証しています。
