Nature子刊！阿里祭出AI医疗新模型，破解癌症「致命漏诊」

肝脏恶性肿瘤常在对比增强计算机断层扫描（CE-CT）上进行评估，但在高负荷的真实世界放射学工作流程中，漏诊或延迟诊断仍然是一个具有临床重要性的挑战，突显了对可扩展诊断安全网方法的需求。

2026年8月19日，中国医科大学附属盛京医院石喻教授、阿里巴巴达摩院张灵、浙江大学医学院附属第一医院梁廷波教授、中国医科大学附属盛京医院侯阳教授、浙江大学医学院附属第一医院张琪教授等（张笑铭、李春利等人为论文共同第一作者）合作在

Nature Medicine

在线发表题为

Large-scale AI-guided liver malignancy diagnosis: multicenter study and a single-arm trial

的研究论文。

该研究开发了肝脏诊断网络（LiON）——一个基于CE-CT的人工智能（AI）系统，支持灵活的多期相处理、临床数据整合和工作流程兼容的肝脏恶性肿瘤诊断。LiON在6,443名患者上进行了训练，并在来自多中心和真实世界队列的22,251名患者中进行了回顾性验证。

LiON在恶性肿瘤诊断中实现了高性能，受试者工作特征曲线下面积（AUC）为0.975（95%置信区间（CI）：0.971−0.979），并在真实世界队列以及肝脂肪变性（AUC 0.971，95% CI：0.952−0.985）和肝硬化（AUC 0.924，95% CI：0.901−0.946）患者中保持了稳健的性能。随后，作者在常规临床实践中的10,333名患者中进行了一项单臂试验，其中LiON在现有临床工作流程中作为额外的AI阅读器发挥作用。

该试验达到了其主要终点，定义为恶性肿瘤诊断的AUC其95% CI下限超过0.900，实现了0.952的AUC（95% CI：0.942−0.961）。次要结局表明，AI-人类协作识别了51个先前被忽略的病灶（15个恶性肿瘤），并在部分患者中触发了37份修正的放射学报告、22次多学科团队升级和临床管理变更。

这些发现表明，当AI作为一种工作流程兼容的诊断支持部署时，可能有助于减少漏诊或延迟诊断，并指导临床干预。尽管如此，仍需来自不同医疗保健系统前瞻性比较研究的进一步证据，以评估对临床结局的影响。ClinicalTrials.gov标识符：NCT07153783。