一句话看懂：阿里巴巴达摩院联合盛京医院等机构发布肝癌诊断 AI 模型 DAMO LiON，能在增强 CT 影像中识别约 1 厘米大小的微小病灶；在两个月真实临床试用中，该模型补查出 15 例此前被漏诊的恶性肿瘤，相关论文已发表于《自然·医学》。
事件核心：发生了什么
达摩院与盛京医院等机构合作研发的 DAMO LiON，定位是影像科医生之外的“AI 安全员”。它通过改进的网络架构，在识别微小肝脏病灶时同时兼顾病灶局部纹理边界与整个肝脏的上下文关系，并能融合增强 CT 不同时期的影像信息，捕捉那些一闪而过的小病灶。在两个月、超过 1 万名患者的真实世界前瞻性试验中，该模型发现了 15 例此前被影像科医生漏掉的肝转移瘤，大部分直径在 1 厘米左右。其中一名 65 岁膀胱癌患者的肿瘤标志物正常、初诊仅报告钙化灶，AI 则将其正确判读为肝转移，直接改变了后续化疗方案。论文显示，DAMO LiON 单独识别恶性肿瘤的准确率高于放射科医生；与医生配合使用时，读片时间缩短 27%，敏感性提升 11.5%，初级医生的诊断水平可被拉高到资深医生级别。
为什么重要
肝癌及更常见的肝转移瘤早期极难发现，小病灶容易被肝硬化、脂肪肝和复杂解剖结构干扰，且医生注意力常被原发灶吸引。DAMO LiON 的价值不在于替代医生，而在于用 AI 补上人类阅片中的系统性盲区。它验证了“AI 初筛—医生复核—必要时多学科会诊”这一落地路径的可行性，且临床试验数据发表在 Nature Medicine，具备较高的循证等级。对医疗 AI 行业而言，这是一个从“辅助工具”走向“质量安全环节”的样本——模型不是追求取代诊断，而是作为独立第二意见介入流程，这一模式可能被其他病种（如肺结节、乳腺筛查）复制。
对用户/开发者/创作者的影响
对医院和医疗信息化采购方而言，DAMO LiON 展示了一种可量化评估的 AI 阅片方案：敏感性提升 11.5%、读片时间缩短 27%，这类指标可以直接写进采购或试用评估标准。对医疗 AI 开发者来说，达摩院在模型架构上的思路——同时建模局部病灶纹理和全肝上下文、利用多期影像融合——是可参考的技术路线；实际部署时“AI 与初诊冲突则升级资深医生复核”的规则，也值得写进产品设计文档。对普通患者而言，这类工具短期内不会直接面向个人，但可能间接减少漏诊率；若所在医院参与相关合作，增强 CT 检查的影像报告会多一层 AI 辅助校验。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前公开信息显示，达摩院自 2017 年起布局医疗 AI，能力已从筛查延伸到诊断环节。接下来可观察三点：第一，DAMO LiON 是否从临床试验走向多中心规模化部署，以及医院实际接入的算力与影像系统改造成本；第二，该模型对肝转移瘤的识别能力是否会扩展至原发性肝癌或其他腹部脏器（如胰腺）筛查；第三，同类医疗 AI 企业是否会跟进“AI 安全员”定位，以及监管层面是否会针对 AI 辅助诊断的“漏诊责任归属”出台更明确的规范。
来源：AIbase
