阿里達摩院釋出肝癌診斷 AI 模型 DAMO LiON：萬例實測揪出 51 處漏診病灶

肝臟是個出了名「沉默」的器官，等病人感覺不舒服再去檢查，往往已經晚了。更頭疼的是，即便做了增強 CT，脂肪肝、肝硬化或者複雜的血管結構也像迷霧一樣，讓哪怕經驗豐富的放射科醫生，也容易漏掉那些微小的早期病灶。

阿里巴巴達摩院聯合中國醫科大學附屬盛京醫院等機構研發的肝癌診斷 AI 模型 DAMO LiON（Liver DiagnOsis Network）正式亮相，相關研究成果登上了國際權威醫學期刊《自然·醫學》（Nature Medicine）。

這套系統不是停留在實驗室的資料玩具，而是一個可以直接嵌入醫院臨床流程的診斷輔助工具。在臨床測試中，它讓醫生的閱片時間直接縮短了 27%，惡性腫瘤檢出的敏感度提升了 11.5%。

揪出 1 釐米大小的隱匿病灶

在一家醫院做為期兩個月、覆蓋超過 10000 名患者的真實世界前瞻性臨床試驗中，DAMO LiON 表現得相當驚人：它成功揪出了 51 處此前被醫生漏診的確認病灶。

這其中還包括 15 處轉移灶。更關鍵的是，這些病灶絕大多數平均只有 1 釐米大小。在癌症診斷裡，1 釐米和幾釐米的區別，往往就是能不能做手術、能不能救回一條命的差距。

它不僅能找原發性肝癌，還能揪出結直腸癌、胰臟癌等轉移到肝臟的隱匿腫瘤。在面對複雜病例時，AI 的識別準確率有時甚至能超過單純依靠人眼的放射科醫生。

更接地氣的一點在於，年輕醫生有了這個系統的輔助，給出的診斷水準幾乎可以直接媲美資深影像學專家。

怎麼看清幾秒鐘就消失的病灶

在增強 CT 掃描中，有些極小的惡性腫瘤只在造影劑流過肝臟的某個瞬間短暫顯現，幾秒鐘後就被周圍組織掩蓋了。

為了解決這個問題，達摩院在網路架構上下了功夫。DAMO LiON 能夠建立病灶與整個肝臟之間的全域性空間關聯，同時死死咬住區域性的精細紋理和組織邊界。面對肝硬化或嚴重脂肪肝這種「背景噪音」極大的影像，表現依舊穩健。

更聰明的是，它會反覆迭代融合多個不同時相的影像資料，在畫素級別對比不同掃描時相之間的細微差異，專門捕捉那種轉瞬即逝的微小病變。

這也是達摩院在腫瘤篩查領域佈局的延續。從之前針對胰臟癌的 DAMO PANDA、胃癌的 DAMO GRAPE，再到結直腸癌的 DAMO COCA，這一次的 DAMO LiON 標誌著他們的醫療 AI 正從早篩進一步深扎進具體的輔助診斷場景。

為什麼重要

對於患者和基層醫生來說，這款工具最實在的意義在於拉平醫療資源的不均衡。影像科資深專家的培養需要十幾年甚至幾十年，而大醫院的讀片醫生往往超負荷工作，漏診有時候不是水平問題，純粹是疲勞所致。DAMO LiON 能夠把閱片時間縮短近三分之一，還能把年輕醫生的診斷水準托舉到專家級，這意味著基層醫院有了它，患者不用擠破頭去一線城市大醫院排隊複核。

對醫療 AI 行業而言，這一步走得相當務實。前幾年大家都在卷體檢場景的早期篩查，但篩查出來的疑似結果終究要回流到醫院做確診，流程一旦斷掉商業價值就大打折扣。達摩院把重點轉向直接嵌入臨床診療流程、解決多期相 CT 對比這種髒活累活，證明了大模型技術在垂直專業場景下的精準輔助比純粹的生成式聊天更有臨床價值。

不過在我們看來，它依然面臨現實的考驗。兩萬人的試驗雖然紮實，但多期相影像融合對醫院掃描裝置的標準化程度要求極高；不同裝置廠商、不同劑量的造影劑在實際部署中會不會影響畫素級對比的靈敏度，還要看後續在更多不同層級醫院落地時的泛化表現。即便如此，能在 1 萬名患者中替醫生多挽回 51 個早期轉機，這項技術已經交出了一份很有分量的答卷。