肝癌早筛为何长期是个难题
肝脏是恶性肿瘤的高发器官。除了原发性肝癌，临床中更常见的其实是肝转移——肠癌、胰腺癌等部位的癌细胞转移到肝脏形成病灶。无论哪种类型，越早发现，治疗效果越好。但早期识别并不容易：很多病灶直径仅约1厘米，在增强CT影像中与周围肝脏组织的对比度较低，又容易被肝硬化、脂肪肝、术后改变以及肝脏复杂的解剖结构干扰。即便经验丰富的放射科医生，也可能在阅片时遗漏，特别是肝转移患者，医生注意力容易被原发病灶牵走，忽视细小的继发病灶。
DAMO LiON的角色定位：AI安全员，不是AI主刀
达摩院联合中国医科大学附属盛京医院等机构研发的DAMO LiON模型，定位是辅助医生的"AI安全员"。它既覆盖原发性肝癌的识别，也重点针对容易被忽视的肝转移病灶。在工作流上，模型负责对增强CT影像做预读和提示，最终诊断仍由医生完成：当AI与医生初诊结论不一致时，病例会进入资深放射科医生复核环节，必要时升级至多学科团队（MDT）讨论。这种"AI提议、医生决策"的协作模式，决定了它的价值不在于替代医生，而在于降低漏诊概率、压缩阅片时间。
用户价值：临床试验给出的三组数据
在一个为期两个月的前瞻性临床试验中，DAMO LiON被实际部署到医院日常阅片流程，阅读了1万余名患者的增强CT影像，并最终辅助医生多抓出15例原本被遗漏的肝转移病灶，推动这些患者改变了治疗方案。从更细的指标看：
- 阅片效率：医生在AI协助下阅片，用时减少约27%；
- 识别敏感度：对恶性肿瘤的敏感性提高约11.5%，漏诊减少；
- 能力跃迁：借助模型，初级医生的诊断水平可以达到资深医生的水平。
这些数据说明，模型的实用价值集中在两类用户：一类是工作负荷大、需要提高单例阅片效率的影像科室；另一类是经验相对较浅、需要获得额外提示的初级医生或基层医院影像科。
适用场景：什么样的患者群体受益最直接
DAMO LiON的核心能力是"在困难影像中找出小、淡、偏的病灶"。结合它的临床试验设计，以下几类场景的适配性相对更高：
- 已知或疑似恶性肿瘤的患者复查，特别是肠癌、胰腺癌、膀胱癌等容易发生肝转移的瘤种；
- 合并脂肪肝、肝硬化或肝脏术后的患者——这类肝脏背景复杂，人眼识别小病灶的难度更高；
- 体检或初筛阶段发现的肝脏占位，需要进一步定性判断的情况；
- 增强CT影像中需要多期相融合分析的场景，模型可迭代融合影像，捕捉不同期相间像素级差异。
反过来说，对于已经非常明显的大病灶、缺乏增强CT影像的患者，或是非肝脏器官的影像分析，模型并不属于优先适配场景。
选择标准：判断一个肝脏影像AI是否可用
在评估这类辅助阅片模型时，建议从以下几个维度做横向对比，而不是只看单一指标：
- 真实世界临床试验数据，而非仅在回顾性数据集上的表现。前瞻性试验更能反映实际部署后的漏诊改善；
- 协作机制是否清晰。模型是否明确输出提示或疑似病灶定位，是否留出医生复核环节，决定了它能否真正嵌入现有阅片流程；
- 困难样本上的表现。需要重点关注模型在脂肪肝、肝硬化、术后肝脏等复杂背景下的识别稳定性，而不是只在理想影像上得出漂亮数字；
- 监管与同行认可。是否进入国家药监局创新医疗器械通道、是否获得FDA"突破性医疗器械"认定、论文是否经过同行评审发表，是质量信号的一部分；
- 与既有筛查产品的协同。如果一家厂商同时拥有胰腺癌、胃癌、肠癌、肝癌等器官的影像AI产品线，更容易形成多病种联合筛查的体系。
落地建议：从试用到常态化的路径
对有意引入肝脏影像AI的医院或影像中心，可以按以下步骤推进：
- 明确目标：是降低肝转移漏诊率、提高阅片效率，还是辅助初级医生成长？目标不同，对模型的评价重点也不同；
- 小范围试点：选择1–2个影像科室或瘤种（例如结直肠癌复查患者）先行部署，收集AI提示与医生复核的对照数据；
- 流程改造：将"AI预读—医生阅片—不一致升级复核"写进科室SOP，明确何时触发资深医生复核、何时进入MDT讨论；
- 持续反馈：建立病灶标注与误报反馈通道，定期用院内数据做模型表现的回顾性评估；
- 关注合规：作为辅助诊断工具，需要明确其在临床路径中的法律定位、知情同意以及报告书写规范。
小结
DAMO LiON代表的是医疗影像AI从"筛查"向"诊断辅助"的延伸。它在临床试验中体现的价值是：在复杂肝脏背景中找出1厘米左右的微小病灶，给医生多一道防线。它不是要替代放射科医生，而是在医生注意力可能被牵走时，把容易漏掉的提示留在屏幕上。对医院和影像科室来说，关键在于把这类模型作为流程中的一个稳定环节来设计，而不是作为一次性演示的工具。