PRISM：平扫MRI三阶段诊断肝脏局灶性病变，AI辅助提升准确率，前瞻队列NPV达99.1%

核心要点

• 问题：肝脏局灶性病变早期定性诊断难，超声敏感度有限，增强 MRI 依赖钆造影剂且耗时，能否用免造影剂的平扫 MRI 完成高效诊断？
• 方法：PRISM 三阶段框架——先检测分割、再良恶性分类、最后四亚型分类，多中心 12823 例回顾加单中心 1147 例前瞻验证。
• 结果：二分类准确率 0.981、四亚型 0.859；AI 辅助下 13 名放射科医生良恶性准确率提升 4.4%、四亚型提升 12.1%；前瞻队列阴性预测值达 99.1%。
• 意义：证明免造影剂平扫 MRI 的 AI 诊断路径可行，可作为低风险分流工具，仍需更多中心与前瞻对照验证。
• 原文：Interpretable deep learning for three-stage focal liver lesion diagnosis on non-contrast MRI，npj Digital Medicine，2026-08-18

1. 肝脏局灶性病变的临床挑战

肝脏局灶性病变（focal liver lesion, FLL）泛指肝脏内单个或多个与周围肝组织不同的占位性改变，既包括肝囊肿、血管瘤、局灶性结节增生等良性病变，也包括肝细胞癌、肝转移瘤等恶性肿瘤。它的早期定性诊断直接决定后续治疗方向：良性病变多可随访观察，恶性病变则要尽快干预，误判的代价很高。

临床上的困难在于现有检查手段各有短板。超声（ultrasound）方便廉价，但对小病灶和深部病变的敏感度不足；动态增强 MRI 虽然诊断价值高，却需要注射钆造影剂（gadolinium），存在造影剂负担、费用高、采集与解读耗时等问题。尤其对肾功能受损或有造影剂禁忌的患者，能否只用不注射造影剂的平扫 MRI（non-contrast MRI, NC-MRI）完成准确诊断，成为一项现实需求。这项由上海瑞金医院牵头的多中心研究正是围绕这一需求展开，成果发表于 npj Digital Medicine。

2. PRISM 的核心创新

研究团队把这一系统命名为 PRISM（Plain MRI Recognition and Interpretable System for hepatic Malignancy，肝脏恶性肿瘤平扫 MRI 识别与可解释系统），其创新集中在三点。

第一，用「三阶段」而非「一步到位」的范式拆解诊断。过去多数肝脏影像 AI 把良恶性判断做成单一任务，遇到复杂病例容易顾此失彼。PRISM 先做病灶检测与分割，再做良恶性二分类，最后对可疑恶性进一步细分为四个亚型。这种分层递进的设计，让每一阶段聚焦更明确的任务，也更贴合放射科医生「先找病灶、再判性质、后定亚型」的真实阅片顺序。

第二，在免造影剂的平扫 MRI 上实现诊断，绕开钆造影剂负担。动态增强 MRI 依赖造影剂来显示病灶血供特征，而 PRISM 只用平扫序列就完成诊断，为肾功能受损、造影剂过敏或有禁忌的患者提供了替代路径，也降低了检查成本与时间。

第三，自带可解释性。系统不仅给出结论，还能以可视化方式提示判断依据，让医生能够复核 AI 的决策逻辑，而非面对一个「黑箱分数」，这为临床采纳增加了可信度。

3. 技术原理：先定位、再定性、后分型

PRISM 的流程可以概括为「先定位、再定性、后分型」三个递进环节，输入是患者的平扫 MRI 序列，无需注射造影剂。

第一步检测分割，模型自动找出肝脏内的局灶性病变并勾画边界；第二步良恶性分类，对检出的病灶判断是良性还是恶性；第三步四亚型分类，针对可疑恶性病变进一步区分具体亚型。每一阶段的输出都作为下一阶段的输入，最终给出结构化的诊断结果。评价方式既包括模型自身的准确率，也包括 13 名不同年资放射科医生的多阅片者多病例（multireader multicase）对照研究——比较医生在有无 AI 辅助下的诊断准确率与用时变化。

需要说明，这里验证的是 PRISM 这一研究原型系统的诊断能力，而非已获批上市的商业产品；其「可解释性」也服务于医生复核，而非替代医生的判断。

4. 数据说话：二分类准确率 0.981，前瞻队列 NPV 99.1%

论文报告的核心结果如下表。

几个数字最值得关注。其一，二分类准确率 0.981，说明 PRISM 区分肝脏病灶「良性还是恶性」的能力很强；其二，AI 辅助下放射科医生的四亚型分类准确率提升 12.1%，幅度明显大于良恶性的 4.4%，提示 AI 在更难的细分任务上帮助更大；其三，前瞻队列中系统将 79.3% 的患者判为低风险，且阴性预测值（NPV）达 99.1%，意味着被系统判定为低风险的患者几乎不会漏掉恶性病变，具备做「分流筛检」的潜力。

同时也要客观看待：论文未报告各指标的 P 值与置信区间，且「准确率提升」来自多阅片者研究的相对变化，并非患者结局的直接改善，不能把统计表现等同于临床获益。

5. 从实验室到临床：应用前景与局限

这项研究对应三个可能的应用场景。其一，作为「平扫 MRI 分流工具」——对大量门诊肝脏病灶患者先做平扫，AI 判为低风险者可减少不必要的增强检查，被判为可疑者再升级到增强 MRI 或活检，从而优化检查资源；其二，作为放射科医生的「第二阅片人」，尤其在年资较低医生占比高的基层医院，辅助其提升亚型判断的一致性与准确率；其三，为肾功能受损、造影剂过敏等不适合增强检查的患者提供一条可评估的替代诊断路径。

但至少有两条重要局限需要正视。第一，前瞻验证为单中心、单臂设计，没有对照组，也未报告长期患者结局，其临床净获益仍有待更大规模的前瞻对照试验确认。第二，四亚型分类准确率 0.859 明显低于二分类的 0.981，说明细分任务仍是薄弱环节，且多阅片者研究的样本与病种分布可能影响结果的普适性，能否推广到不同人群、不同 MRI 设备和扫描协议仍需进一步验证。

6. 结论与产业启示

这项研究给出一个清晰的信号：用免造影剂的平扫 MRI 完成肝脏局灶性病变的定性诊断在技术上是可行的——PRISM 的二分类准确率达 0.981，前瞻队列阴性预测值达 99.1%，并能稳定提升医生的诊断准确率。这与我们此前关注的增强 CT 肝脏恶性肿瘤诊断（LiON）形成互补：一个走增强 CT、一个走平扫 MRI，共同指向「影像 AI 嵌入放射科工作流、帮医生减少漏诊」的落地方向。

对医疗 AI 企业有三点建议：一是把「免造影剂 / 低成本模态」作为产品差异化的切入点，降低检查门槛以覆盖更多基层场景；二是采用「分层递进 + 可解释」的架构，既贴合医生阅片习惯，也便于质控与复核；三是推动前瞻性、多中心、对照的临床验证，把「诊断性能提升」进一步转化为「患者结局与资源效益」的证据。

这也正是思陌智能科研服务长期投入的方向：面向医学影像 AI 与临床决策支持，提供从模型开发、可解释性设计到多中心前瞻验证的完整科研服务，协助团队把影像 AI 从论文原型推进到可落地的临床评估。

相关问题

Q：PRISM 已经能用于临床自主诊断了吗？

A：不能。研究为回顾性多中心加单中心单臂前瞻设计，作者并未声称可独立诊断。系统在前瞻队列中的定位是「分流筛检」——把 79.3% 的低风险患者筛出，而非替代医生下最终诊断。任何恶性判定仍需放射科医生复核，落地前也需更大规模的前瞻对照试验。

Q：这会取代放射科医生吗？

A：不会。研究显示 AI 的价值在于「辅助」——医生使用 PRISM 后诊断准确率提升，而非独立替代。系统以第二阅片人 / 分流工具的角色出现，最终诊断责任仍在医生。它更像是帮医生减少漏诊、提升效率的助手。

Q：这项研究测试的是模型还是完整产品？

A：是 PRISM 研究原型系统，不是已获批上市的商业产品。它在特定医院队列与扫描协议下验证，能否直接迁移到其他医院、不同 MRI 设备与人群，仍需要外部验证。患者不应据此自行解读影像或做出决策。

参考文献

1. Dong S, Shen Z, Xia J, et al. Interpretable deep learning for three-stage focal liver lesion diagnosis on non-contrast MRI: a multicenter, prospective study. npj Digital Medicine. 2026. DOI: 10.1038/s41746-026-03032-3
2. 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

本文基于 Interpretable deep learning for three-stage focal liver lesion diagnosis on non-contrast MRI 的独立解读，仅供学术交流，不构成临床建议。