15例被漏掉的肝癌：DAMO LiON的1万例真实世界试验，把“AI安全网”写进了《Nature Medicine》

在常规临床工作中部署两个月，阅读分析超过1万名患者的增强CT影像，揪出15例此前被漏诊的肝脏恶性肿瘤——阿里达摩院与中国医科大学附属盛京医院、浙江大学医学院附属第一医院等机构合作研发的肝脏恶性肿瘤AI诊断系统DAMO LiON，8月19日在《Nature Medicine》在线发表，近日再度引发行业热议。这项研究的价值，不止于又一个高AUC模型，而在于它完整回答了一个问题：AI作为“诊断安全网”放进真实工作流，到底能接住多少漏网之鱼。

论文的证据链：从训练到前瞻试验

先看这项研究的证据结构，它在同类论文中相当完整：

模型在6443名患者上完成训练；随后在来自多中心和真实世界队列的22251名患者中做回顾性验证，恶性肿瘤诊断AUC达0.975（95%CI：0.971-0.979）；更关键的是第三步——研究者在常规临床实践中对10333名患者开展了一项单臂试验，让LiON作为现有工作流程中的“额外AI阅读器”运行。

试验达到了主要终点：恶性肿瘤诊断AUC 0.952（95%CI下限超过0.900的预设标准）。在肝脂肪变性（AUC 0.971）和肝硬化（AUC 0.924）这两个最容易掩盖病灶的高难人群中，性能依然稳健。

两个月真实世界：51个病灶、37份修正报告

次要结局里藏着这篇论文最震撼的数字。两个月的真实世界部署中，AI-人类协作识别了51个先前被忽略的病灶，其中15个是恶性肿瘤——大多数直径约1厘米，小到足以逃过最细心的人眼。这些发现触发了37份修正的放射学报告、22次多学科团队升级，并直接改变了部分患者的临床管理。

报道中提到一个典型案例：一位65岁的膀胱癌患者，肿瘤标志物正常，初步诊断仅显示钙化，但AI标记了肝转移——她的化疗方案因此改变。对这位患者而言，这是漏诊与及时干预之间的差别。

人机协作的整体账也很清楚：阅片时间减少27%，恶性肿瘤观测敏感度提升11.5%；初级医生在AI辅助下，表现可达到资深专家水平。

为什么漏诊难治：“小、淡、偏”与注意力陷阱

肝脏恶性肿瘤的漏诊有两层原因。病灶本身层面：小肿瘤容易隐藏在肝硬化、脂肪肝和复杂解剖结构的阴影里，呈现“小、淡、偏”的特征。工作流程层面：高负荷阅片下，医生的注意力往往锁定在原发肿瘤上，转移性的继发性病灶容易被忽略。

LiON的技术选择针对性很强：改进网络架构以平衡病灶与整个肝脏的关系，同时保留局部纹理边界；整合CT扫描不同期相的影像，迭代融合后捕捉像素级差异——那些单期相里转瞬即逝的细节，被锚定成病灶证据。

部署方式：不替代，做“第二双眼睛”

这项研究对行业的示范意义，很大程度在部署设计上。LiON不改变放射科医生的既有流程，而是作为额外的AI阅读器并行运行：AI的初步判断与首次评估冲突时，由高级医生复核，必要时升级为多学科讨论。

这个“安全网”定位回避了医疗AI最难的两个问题——责任归属与工作流改造。AI不做最终诊断，只保证可疑的病灶不会被放过；医生不失去主导权，但多了一层冗余机制。也正因为如此，它能在两个月内快速进入真实临床并产生可计量的结果。

冷静看：单臂试验的边界

需要指出，这项前瞻试验是单臂设计，没有随机对照组。它证明了“AI安全网能减少漏诊”这件事真实发生，但对临床结局（生存期、过度诊疗风险）的影响，仍需要不同医疗体系下的前瞻对照研究来验证。论文作者自己也明确指出了这一点。

此外，LiON目前仍是研究系统。从顶刊论文到医院常规配置，中间还隔着注册审批、院内采购和医生培训的完整链条。但方向已经被验证：医疗AI的下一个确定性价值，或许不是替代谁，而是让“漏掉”这件事变得更难发生。

原文链接：腾讯新闻

千方医数集编辑部 出品