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 CTCE-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LiONLiver 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 AUC0.97595% CI 0.971–0.979回顾验证脂肪肝亚组 AUC0.97195% CI 0.952–0.985回顾验证肝硬化亚组 AUC0.92495% CI 0.901–0.946前瞻试验恶性诊断 AUC0.95295% 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。本文基于 2026 年最新论文/开源项目的独立解读立场与原作者无关仅作技术交流。论文原文信息链接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-yWei 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 肝脏恶性肿瘤为何总被漏诊？盛京医院×浙大一院×达摩院Nature Medicine：LiON多中心AI网络嵌入放射工作流，10333例前瞻试验AUC 0.952、拦下15个恶性遗漏病灶
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 CTCE-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LiONLiver 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 AUC0.97595% CI 0.971–0.979回顾验证脂肪肝亚组 AUC0.97195% CI 0.952–0.985回顾验证肝硬化亚组 AUC0.92495% CI 0.901–0.946前瞻试验恶性诊断 AUC0.95295% 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。本文基于 2026 年最新论文/开源项目的独立解读立场与原作者无关仅作技术交流。论文原文信息链接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-yWei 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