肝脏恶性肿瘤为何总被漏诊？LiON 多中心 AI 诊断网络嵌入放射工作流，超万人前瞻试验 AUC 达 0.952
一、研究背景
肝癌是全球第六大常见恶性肿瘤、第四大癌症死因，五年生存率在晚期患者中尤其低迷。肝脏恶性肿瘤主要依赖增强 CT（CE-CT）进行评估，但问题不在设备，而在人：在高流量、高压力的真实放射科工作流里，阅片医生一天要面对成百上千幅图像，微小病灶、等密度病灶或非典型表现的恶性病变很容易被漏掉或延迟诊断 DOI: 10.1038/s41467-024-51260-6。
过去几年，深度学习在肝脏病灶分类上已经展现出不错的能力，例如 2024 年发表于 Nature Communications 的 LiLNet 系统，用多期增强 CT 把良恶性鉴别做到了 AUC 0.972。但这些系统大多停留在回顾性验证或离线任务里，真正嵌入日常工作流、在前瞻性真实临床中检验其能否减少漏诊的研究，始终稀缺。
2026 年 8 月 19 日，中国医科大学附属盛京医院放射科联合浙江大学医学院附属第一医院、阿里巴巴达摩院、华中科技大学湖北肿瘤医院、中山大学肿瘤防治中心，以及伦敦国王学院、法国 INSERM/蔚蓝海岸大学、EURECOM 等国际团队，在 Nature Medicine 发表研究，把这一问题正式推向前台 DOI: 10.1038/s41591-026-04589-y。
二、研究创新点
这项工作最大的价值，在于它把「AI 能不能减少漏诊」从实验室命题变成了可检验的临床命题，有三处鲜明设计：
第一，从回顾验证一路走到前瞻单臂试验。 团队没有停留在多中心回顾数据上，而是在回顾验证之后，进一步在 10,333 例患者的常规临床实践中做前瞻单臂试验，把系统真正装进放射科工作流，这是肝病影像 AI 领域罕见的前瞻性验证。
第二，把 AI 定位为「第二阅片人」而非替代者。 LiON 在试验里以额外 AI reader 的身份存在，与放射科医生的判断并行，最终由人主导、AI 兜底，直击漏诊这一真实痛点。
第三，多时相处理与临床数据整合。 系统支持灵活的增强 CT 多期相处理，并把临床信息一并纳入，使诊断更贴合工作流，而不是只啃单一图像。
三、技术原理
LiON（Liver DiagnOsis Network，肝脏诊断网络）的核心思路，是让 AI 顺着放射科医生真实的阅片节奏去工作，而不是另起炉灶：
- 灵活多时相处理：增强 CT 通常包含平扫、动脉期、门静脉期、延迟期等多个期相，病灶在不同期相表现不同。LiON 能灵活处理这些多期相图像，捕捉病灶的血供特征；
- 临床数据整合：在影像之外，系统还能整合患者的临床信息，形成更完整的诊断上下文，减少单纯看图导致的误判；
- 工作流兼容：LiON 被设计成可嵌入现有放射工作流的形态，作为并行运转的「AI 第二阅片人」，对每一份肝脏 CT 给出恶性肿瘤风险判断，供医生参考。
这套设计把「病灶检测 + 恶性判断」拧成一条与真实临床节奏对齐的流水线，目标不是取代医生，而是为高负荷阅片补上一道安全网。
四、实验结果
研究分两阶段给出证据。第一阶段回顾验证，LiON 训练于 6,443 例，回顾验证覆盖 22,251 例多中心与真实世界队列；第二阶段前瞻单臂试验，覆盖 10,333 例常规临床患者。核心结果如下：
| 阶段 | 指标 | 结果 |
|---|---|---|
| 回顾验证 | 恶性诊断 AUC | 0.975（95% CI 0.971–0.979） |
| 回顾验证 | 脂肪肝亚组 AUC | 0.971（95% CI 0.952–0.985） |
| 回顾验证 | 肝硬化亚组 AUC | 0.924（95% CI 0.901–0.946） |
| 前瞻试验 | 恶性诊断 AUC | 0.952（95% CI 0.942–0.961） |
| 前瞻试验 | 新识别遗漏病灶 | 51 个（其中 15 个恶性） |
| 前瞻试验 | 触发报告修正 / MDT 升级 | 37 份 / 22 次 |
几个数字值得细看。回顾验证阶段 AUC 达到 0.975，即使在脂肪肝（0.971）和肝硬化（0.924）这类影像背景复杂、阅片更困难的亚组，性能也保持稳健。更关键的是前瞻试验——在 10,333 例真实患者的常规流程里，LiON 以 AI 第二阅片人身份运转，恶性诊断 AUC 仍有 0.952，且 95% 置信区间下限 0.942 远超预设的 0.900 阈值，主要终点顺利达标。
而最有说服力的结果，恰恰藏在次要结局里：AI 与医生协作共识别出 51 个此前被遗漏的病灶，其中 15 个是恶性；这些发现直接触发了 37 份影像报告的修正、22 次多学科团队会诊（MDT）的升级，以及一部分患者临床管理方案的改变。也就是说，AI 不只是「算得准」，它真的拦下了可能被漏掉的肿瘤。
五、应用前景
这项研究对肝病影像 AI 落地的启示相当务实：
其一，AI 的正确姿态是「安全网」而非「决策者」。 试验设计把 LiON 作为并行阅片的第二双眼睛，最终判断仍由医生主导，这既符合临床伦理，也让系统真正服务到最痛的漏诊场景。
其二，前瞻真实世界证据比离线指标更有分量。 回顾 AUC 再漂亮，也替代不了「装进工作流之后到底有没有用」。这项研究用超万人规模的前瞻试验，为肝病影像 AI 补上了缺失的一环，也为后续随机对照研究铺好了路。
其三，中国团队的产学研协同值得关注。 盛京医院、浙大一院与阿里达摩院的合作，把临床问题、工程能力与国际验证（伦敦国王学院、法国 INSERM、EURECOM）串成一条完整链路，是医疗 AI 从实验室走向床旁的一个可复制样本。
需要客观指出，本研究是单臂试验，没有平行对照组，尚无法量化 AI 对患者硬终点的最终影响；作者也明确强调，仍需在多样化医疗系统中开展前瞻对照研究来评估临床结局。但这并不削弱它的价值——它第一次用严谨的前瞻设计，证明了「AI 第二阅片人」能在真实工作流中减少肝脏恶性肿瘤的漏诊。
六、结论
肝脏恶性肿瘤的漏诊，从来不只是「看不清」，更是高负荷工作流下的一道系统性问题。LiON 用 6,443 例训练、22,251 例回顾验证、10,333 例前瞻试验的三级证据链说明：把 AI 作为工作流兼容的「第二阅片人」嵌入放射科，能够在真实临床中拦下漏诊的恶性肿瘤——回顾 AUC 0.975、前瞻 AUC 0.952，并实际触发 37 份报告修正与 22 次多学科会诊升级 DOI: 10.1038/s41591-026-04589-y。
它没有宣称 AI 能取代医生，却为「AI 该如何进入放射工作流」提供了一个更清醒、更可靠的起点——不是做决策，而是补安全网。
| 论文标题 | Large-scale AI-guided liver malignancy diagnosis: multicenter study and a single-arm trial |
| 作者 | Zhang X、Li C、Han X、Yin X、Zhang C、Zhou J、Cao K、Liu Q、Hong Y、Gao Y、Cui B、Zhang Q、Qiao J、Sun M、Liu W、Gao Y、Zhong S、Bai R、Jiang T、Humbert O、Ourselin S、Zuluaga MA、Yan K、Zhang Q、Hou Y、Liang T、Zhang L、Shi Y |
| 机构 | 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、阿里巴巴达摩院、华中科技大学同济医学院湖北肿瘤医院、中山大学肿瘤防治中心、香港中文大学、伦敦国王学院、法国 INSERM/蔚蓝海岸大学、EURECOM 等 |
| 期刊 | Nature Medicine，2026 |
| 发表时间 | 在线发表 2026 年 8 月 19 日 |
| DOI | 10.1038/s41591-026-04589-y |
| PubMed | PMID: 42618635 |
论文原文信息地址：https://www.simoagent.com/blog/2026-08-23-lion-liver-malignancy-ai-diagnosis/
参考文献
- Zhang X, Li C, Han X, et al. Large-scale AI-guided liver malignancy diagnosis: multicenter study and a single-arm trial. Nature Medicine, 2026. DOI: 10.1038/s41591-026-04589-y
- Wei Y, Yang M, Zhang M, et al. Focal liver lesion diagnosis with deep learning and multistage CT imaging. Nature Communications, 2024;15:7040. DOI: 10.1038/s41467-024-51260-6