肝脏恶性肿瘤为何总被漏诊？LiON多中心AI诊断网络及其前瞻性临床验证

研究背景：肝脏恶性肿瘤为何总被漏诊？

肝脏恶性肿瘤（包括原发性肝细胞癌和肝转移瘤）是全球重大健康负担，能否早期准确诊断，直接决定治疗时机与预后。在临床上，对比增强计算机断层扫描（CE-CT）是评估肝脏占位的一线影像手段，医生通过动脉期、门脉期等多个期相的强化特征来判断病灶性质。

但漏诊与延迟诊断，始终是放射科长期面对的现实难题。原因主要有三：其一，高负荷阅片环境下，医生要在有限时间内处理海量影像，微小病灶、不典型转移瘤容易被遗漏；其二，合并脂肪肝、肝硬化等慢性肝病的病例，肝脏背景异常会干扰判断，进一步拉低诊断敏感性；其三，对于不确定的肝脏局灶病变，医生往往在"积极活检"与"随访观察"之间难以权衡。

这些痛点指向一个共同需求——一套可扩展的"诊断安全网"。

创新点：LiON如何解决漏诊问题？

2026 年 8 月 19 日，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、阿里巴巴达摩院等机构联合在《Nature Medicine》发表研究，提出肝脏诊断网络 LiON（Liver DiagnOsis Network）——一个端到端的 CE-CT 人工智能诊断系统。

LiON 的定位不是"替代医生"，而是"第二阅片人"。它有三个鲜明特点：一是支持灵活的多期相处理，能适应不同医院不同的 CT 期相组合（含可选的延迟期）；二是可整合临床信息（如病史、化验指标）协同判断；三是与现有放射工作流兼容，直接在阅片环节并行运行。

研究规模空前：训练 6,443 例，回顾验证 22,251 例，整体纳入 39,027 例患者、139,801 次 CT 扫描，覆盖中国六个地区七家医学中心。

技术原理：多期相处理 + 病灶分割分类的端到端设计

LiON 的核心架构是一个"患者级 + 病灶级"的两级框架。

在患者级，模型综合多期相 CE-CT 影像与临床信息，输出恶性概率，判断该患者是否需要重点干预。在病灶级，模型对肝脏局灶病变进行像素级分割，并对病灶做八类分型（如肝细胞癌、转移瘤、血管瘤、局灶性结节增生、囊肿等），实现"检出 + 定位 + 定性"一体化。

相比传统的自配置分割模型 nnU-Net，LiON 的关键优势在于端到端联合学习：病灶筛查与分型互相促进，而非各自为战。多期相信息也并非简单堆叠——加入延迟期影像后，模型在肝细胞癌、转移瘤、血管瘤、局灶性结节增生、囊肿等亚型上的诊断表现均进一步提升。

数据说话：前瞻试验AUC达0.952，拦下51个遗漏病灶

LiON 的性能经受了多重检验，核心结果如下：

• 外部验证：在五家独立中心 4,071 例患者中，恶性诊断的受试者工作特征曲线下面积（AUROC）达 0.975，敏感性 90%、特异性 98%；病灶筛查 AUROC 达 0.956，优于 nnU-Net 的 0.926。
• 前瞻单臂试验：在 10,333 例常规临床患者中，LiON 作为额外 AI 阅片器嵌入真实工作流，恶性诊断 AUROC 达 0.952，成功达到预设主要终点（要求 95% 置信区间下限超过 0.900）。
• 真实价值：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），并触发 37 份放射报告修正、22 次多学科会诊（MDT）升级及部分患者的管理方案调整。

在读者研究中，LiON 单独诊断的 AUROC 为 0.958，而 11 名放射科医生单独阅片的 AUROC 仅在 0.654—0.826 之间；获得 LiON 辅助后，医生平衡准确率平均提升 7%、敏感性提升 12%，解读时间缩短 27%（低年资医生获益最大）。

此外，LiON 在两类高难度场景中同样稳健：

应用前景与局限

LiON 的最大价值，在于它第一次用严谨的前瞻设计证明：把 AI 作为"第二阅片人"嵌入放射工作流，能在真实临床中切实减少肝脏恶性肿瘤的漏诊，并推动后续会诊与管理决策。这一范式对高负荷的放射科尤其有意义，也为其他脏器的病灶检测 AI 提供了可复制的落地路径。

但研究也坦诚了局限：这是一项单臂试验，没有平行对照组，尚无法量化 AI 对患者硬终点（如生存、治疗结局）的最终影响；作者也明确表示，仍需在更多元化的医疗体系中开展前瞻对照研究，以评估其对临床结局的真实作用。

结论

肝脏恶性肿瘤的漏诊，本质上是高负荷工作流下的一道系统性问题，而非单纯的"看不清"。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。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——不是替医生做决策，而是为诊断补上一张安全网。

论文原文信息地址：https://www.simomia.com/blog/2026-09-18-lion-liver-malignancy-diagnosis/

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. Nat Med. 2026. DOI: 10.1038/s41591-026-04589-y
2. Isensee F, Jaeger PF, Kohl SAA, et al. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nat Methods. 2021;18(2):203-211. DOI: 10.1038/s41592-020-01008-z