LiON：肝脏恶性肿瘤AI诊断多中心验证，单臂试验AUC达0.952

核心要点

• 问题：肝脏恶性肿瘤在增强CT上容易被漏诊或延迟诊断，高负荷的放射科工作流使这一问题更加突出。
• 方法：研究用6443例患者训练LiON，在22251例多中心与真实世界队列中回顾性验证，再在10333例前瞻性单臂试验中将其作为额外读片助手嵌入现有工作流。
• 结果：回顾性验证AUC达0.975（95% CI 0.971–0.979）；前瞻单臂试验AUC达0.952（95% CI 0.942–0.961），主要终点达标，并协助识别51个遗漏病灶（含15个恶性）。
• 意义：工作流兼容的AI诊断安全网有望减少漏诊与延迟诊断，但仍需前瞻性比较研究评估其对临床结局的影响。
• 原文：Large-scale AI-guided liver malignancy diagnosis: multicenter study and a single-arm trial，Nature Medicine，2026-08-19

1. 肝脏恶性肿瘤的临床挑战

肝脏恶性肿瘤（liver malignancy）是全球癌症相关死亡的主要原因之一，在中国尤以肝细胞癌（hepatocellular carcinoma, HCC）为高发。对比增强CT（contrast-enhanced CT, CE-CT）是肝脏占位性病变评估与恶性肿瘤筛查的首选无创影像手段，但病灶的检出与定性高度依赖放射科医生的经验。

在高负荷、高周转的真实放射科工作流中，肝脏病灶的漏诊和延迟诊断并不少见。这与病灶体积小、在肝硬化或脂肪变性背景下强化表现不典型、以及多期相图像需逐一对比判读等因素密切相关。一旦恶性肿瘤被漏报或误判为良性，患者可能错过早期干预窗口，直接影响预后。

2026年8月19日，一项由浙江大学医学院附属第一医院、中国医科大学附属盛京医院与法国EURECOM、英国伦敦国王学院等机构合作完成的研究在Nature Medicine发表，提出了名为LiON（Liver DiagnOsis Network）的CE-CT人工智能诊断系统，试图为这一临床痛点提供一个工作流兼容的AI安全网。此前，肺结节AI辅助诊断已在国内完成临床验证并取得三类注册证，为同类肿瘤影像AI的落地提供了参照。

2. LiON 的核心创新

研究团队（通讯作者包括 Sébastien Ourselin、Maria A. Zuluaga、Ke Yan、Qi Zhang、Yang Hou、Tingbo Liang、Ling Zhang、Yu Shi 等）在Nature Medicine上介绍了LiON的三个实质性改进。

其一，灵活多期相处理。过去多数肝脏AI模型被设计为处理固定期相（如仅静脉期）的单一输入，难以适配不同医院、不同扫描协议下期相组合的差异。LiON支持平扫、动脉期、静脉期三个必需期相，并可灵活接入延迟期。这意味着同一个模型能接住来源各异的扫描，而不要求医院迁就算法，跨中心落地的门槛更低。

其二，临床数据整合。除影像外，LiON把人口学信息、血液生物标志物和病史等临床特征，通过两级基于评分的逻辑回归融入预测，使模型决策不再只看图像，而是结合患者整体情况。

其三，检测与分割一体、工作流兼容。LiON在输出患者级恶性诊断的同时，还能对8种肝脏病灶类型进行实例分割，为医生定位和复核病灶提供可视依据。这种诊断加定位的一体化设计，让AI的输出能被医生快速核对和信任，也正是其能作为额外读片助手嵌入现有工作流、而非取代医生的关键——AI负责标记，医生负责拍板。

3. 技术原理：多期相CT经四组件网络给出患者级诊断与病灶定位

LiON采用深度学习框架，由四个组件串联：图像编码器（image encoder）提取多期相CT的视觉特征；主干网络（backbone）通过特征金字塔（feature pyramid）构建多尺度表征；分类器（classifier）借助可学习查询（learnable queries）与稠密交叉注意力（dense cross-attention）完成患者级恶性诊断；分割器（segmentator）用同样的查询注意力机制实现8类肝脏病灶的实例分割。可选临床特征再通过评分逻辑回归增强最终预测。

需强调的是，LiON是面向单一成像模态（CE-CT）的专用诊断系统，与跨模态视觉基础模型属于不同路线。后者追求一个底座覆盖多种模态，前者则聚焦在肝脏这一具体临床任务上做深做透，两者互补而非替代。

4. 数据说话：前瞻单臂试验AUC达0.952

研究先以6443例患者训练LiON，再在22251例多中心与真实世界队列中回顾性验证，最终在10333例常规临床实践队列中开展单臂试验（ClinicalTrials.gov：NCT07153783），让LiON作为额外的AI读片助手嵌入现有放射科工作流。主要终点为恶性诊断AUC的95%置信区间下界高于0.900，已达标。核心结果如下表。

从AUC看，模型在回顾性验证、前瞻单臂试验以及肝脂肪变性、肝硬化两个常见共病亚组中都保持了较高且稳定的表现，提示其诊断能力并非只在理想数据上成立。

在次要结局方面，AI与医生协作识别出51个此前被遗漏的病灶，其中15个为恶性；由此触发了37份修订后的放射学报告、22次多学科团队（multidisciplinary team, MDT）升级，并在部分患者中改变了临床管理。这些数字提示，LiON的价值不仅在于读得准，更在于能在真实工作流中把医生容易漏掉的病灶捞回来。

5. 从实验室到临床：应用前景与局限

从应用角度看，LiON最现实的定位是诊断安全网：在放射科医生完成初读后，AI对全量CT进行二次筛查，标记可疑病灶，再由医生复核。这一模式有望在高负荷医院减少漏诊，也适合作为基层或低年资医生的辅助；在体检和慢性肝病随访这类大量重复阅片的场景中，AI的二次筛查同样能降低人力负担。其诊断加分割定位的输出形态，也便于在MDT会诊中作为客观依据。

但本研究有几点需要冷静看待。第一，前瞻性部分为单臂试验，没有随机对照组，无法直接归因于AI带来了因果意义上的临床获益，作者也明确表示仍需前瞻性比较研究。第二，数据集因伦理限制不公开，完整源代码因专利保护（CN116993663A）仅部分开源，第三方复现与独立验证受限。第三，研究主要在中国高资源医院开展，跨医疗系统、跨人群的泛化能力尚待检验。此外，多位作者为阿里巴巴员工并持股，研究方也已申请相关专利，存在需客观披露的利益冲突。

6. 结论与产业启示

LiON以多期相灵活处理、临床数据整合、检测分割一体的设计，在多中心回顾验证和万人级前瞻单臂试验中稳定达到高诊断性能，并切实捞回了被遗漏的恶性病灶，为AI作为工作流内诊断安全网提供了较扎实的循证。它同时提醒行业：AI的临床价值不在替代医生，而在补齐医生在高负荷场景下的遗漏。

对医疗AI企业而言，可借鉴三点：一是把AI设计成嵌入现有工作流的额外读者而非独立决策者；二是用前瞻性试验（即便是单臂）来验证真实场景表现，而非只停留在回顾基准；三是正视单臂与回顾设计的局限，主动推进前瞻比较研究。思陌智能科研服务长期聚焦医学影像AI与临床决策支持，可在多期相影像处理、病灶检测分割一体化以及前瞻性临床评估等环节，为医院和科研团队提供落地与验证支撑。

相关问题

Q：LiON 现在能直接用于临床诊断吗？

A：还不能。本研究由回顾性验证与前瞻性单臂试验构成，AI在其中仅作为额外读片助手，所有诊断仍需放射科医生复核并做最终判断。作者也明确表示，还需前瞻性比较研究来评估其对临床结局的影响。因此它目前仍属研究原型，距离监管批准和常规临床应用尚有距离。

Q：LiON 会取代放射科医生吗？

A：不会。研究把LiON设计为嵌入现有工作流的额外读片助手，它的输出必须经过医生复核确认，最终诊断责任仍在医生。其价值在于补齐医生在高负荷阅片下的遗漏、辅助定位可疑病灶，而非替代人工判读。

Q：这对中国肝癌高发地区有什么意义？

A：中国是肝癌高发国家，增强CT的阅片负担沉重。若这类AI诊断安全网经前瞻比较研究证实能减少漏诊，有望在高负荷医院和基层医疗机构优化分诊、减轻放射科压力。但其在不同地区、不同扫描设备的泛化能力仍需独立验证。

参考文献

1. 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
2. European Association for the Study of the Liver. EASL Clinical Practice Guidelines: Management of hepatocellular carcinoma. Journal of Hepatology. 2018. DOI: 10.1016/j.jhep.2018.03.019

本文基于 Large-scale AI-guided liver malignancy diagnosis: multicenter study and a single-arm trial 的独立解读，仅供学术交流，不构成临床建议。