达摩院发布肝癌影像AI模型：两个月辅助发现15例漏诊恶性病灶

2026年8月24日阅读约 3 分钟

导语

肝脏影像诊断中，最难处理的并不总是体积较大的肿瘤，而是那些只有约1厘米、与正常组织对比度较低，或藏在不常见解剖位置的病灶。阿里达摩院近日公布了肝癌诊断AI模型DAMO LiON，称其能够通过增强CT影像辅助医生识别这类容易被忽略的恶性病灶。相关研究论文已发表于《自然·医学》。

肝脏恶性肿瘤既包括原发性肝癌，也包括由肠癌、胰腺癌等转移而来的肝转移。后者在阅片时尤其容易被忽视：医生的注意力可能集中在原发病灶，肝脏内很小、很淡的异常则不易被发现。同时，肝硬化、脂肪肝、术后改变和复杂血管结构，也会增加影像判断难度。

DAMO LiON的定位不是替代放射科医生，而是作为“AI安全员”参与阅片。根据素材，模型能够同时理解病灶与整个肝脏的关系，并保留局部纹理和边界信息；它还会融合增强CT不同期相的影像，捕捉病灶在扫描过程中呈现出的细微变化。这种设计主要针对“小、淡、偏”的病灶特征。

研究团队在真实医院环境中进行了为期两个月的前瞻性临床试验。期间，系统阅读了1万多名患者的增强CT影像，辅助发现15例原本未被识别的恶性肿瘤，绝大部分病灶直径约为1厘米。部分患者因此及时接受手术或药物治疗，个别病例的治疗方案也随之调整。

素材还提到，在对比实验中，模型识别恶性肿瘤的表现高于参与比较的放射科医生；医生使用AI后，阅片时间减少27%，恶性肿瘤敏感性提高11.5%。AI辅助下，初级医生的表现达到资深医生水平。不过，这些结果应理解为特定研究和部署条件下的表现，不能直接等同于所有医院、设备和人群中的效果。

DAMO LiON采用了较为谨慎的人机协作机制：当AI与医生初步判断不一致时，病例交由资深放射科医生复核，必要时再提交多学科团队讨论。这样的流程把AI放在提醒和补漏的位置，将最终诊断与治疗决策保留给临床团队，也有助于降低自动化误判带来的风险。

从行业角度看，达摩院此前已推出面向胰腺癌、胃癌和肠癌筛查的影像AI模型。此次从筛查进一步延伸到诊断辅助，说明医疗影像AI的竞争重点正在从“能否发现异常”转向“能否嵌入真实工作流并产生可验证的临床收益”。但模型的长期稳定性、不同医院间的泛化能力、误报处理和责任边界，仍需要持续评估。

如果后续研究能够在更多中心、更多类型的肝病患者中复现这些结果，DAMO LiON有望成为放射科医生的第二读片工具，尤其适合帮助筛查那些不典型、体积小且容易漏诊的肝脏病灶。现阶段，它更适合被看作临床决策支持系统，而不是独立诊断者。