DAMO LiON – 阿里达摩院联合众多机构研发的肝癌诊断AI模型

DAMO LiON（Liver DiagnOsis Network）是阿里巴巴达摩院联合中国医科大学附属盛京医院、浙江大学附属医院等机构共同研发的肝癌诊断AI模型。它基于增强 CT 影像，可精准识别直径约 1 厘米的微小肝脏癌变病灶，既能识别原发性肝癌，更擅长揪出容易被忽视的肝转移。相关研究成果于 2026 年 8 月登上国际顶级学术期刊《自然·医学》（Nature Medicine）。

DAMO LiON - 阿里达摩院联合众多机构研发的肝癌诊断AI模型

DAMO LiON特点

表格

维度	具体特点
病灶识别精度高	可精准识别平均直径约 1 厘米的微小病灶，病灶普遍”小、淡、偏”——与肝脏组织对比度低，或位于少见解剖位置
原发性与转移性兼顾	既能识别原发性肝癌，更擅长揪出从肠癌、胰腺癌等部位转移而来的肝转移灶
困难病例表现强	在脂肪肝、肝硬化和术后肝脏等复杂背景下依然保持高识别率
AI 安全员定位	作为辅助阅读者（Second Reader）嵌入医生现有工作流，不替代医生，而是补全漏诊
临床级验证	经过真实世界前瞻性临床试验验证，非回顾性研究
人机协同提效	在 AI 协助下，初级医生能达到资深医生阅片水平

DAMO LiON技术原理

1. 改进的网络架构 DAMO LiON 采用了改进的深度学习网络架构，具备双重感知能力：

全局关系捕捉：理解病灶与整个肝脏的解剖关系
局部细节保留：有效保留病灶的局部纹理和边界信息

2. 多期相影像迭代融合 增强 CT 扫描通常包含多个期相（如动脉期、门静脉期等），病灶在不同期相中呈现”一闪而过”的像素级差异。DAMO LiON 能将不同期相组合的影像进行迭代融合，有效捕捉跨期相的微小信号变化，从而精准定位常规阅片容易遗漏的病灶。

3. 大规模多中心数据训练 模型基于 6,443 例患者数据进行训练，并在 22,251 例来自多家医院的数据上进行回顾性验证，确保泛化能力。

DAMO LiON功能

增强 CT 影像智能分析 自动读取并分析肝脏增强 CT 影像，标记疑似恶性病灶区域。
原发性肝癌识别 识别起源于肝脏的原发性恶性肿瘤。
肝转移灶检测 识别从其他器官（如肠道、胰腺）转移至肝脏的继发性肿瘤，弥补医生注意力被原发病灶牵走导致的漏诊。
临床决策辅助 当 AI 与医生初诊结论不一致时，触发资深放射科医生复核机制，必要时升级至多学科团队（MDT）讨论。
报告修正提示 对初诊报告提出修正建议，推动治疗方案调整。

DAMO LiON性能表现

在为期两个月的真实世界前瞻性临床试验中，DAMO LiON 部署于中国医科大学附属盛京医院，参与日常阅片工作：

表格

指标	表现
患者覆盖	阅读 1 万多名患者的增强 CT 影像
漏诊发现	发现 15 例原本被遗漏的恶性肿瘤
报告修正	37 份报告被修正
MDT 升级	22 例被升级至多学科肿瘤委员会讨论
阅片效率	医生阅片用时减少 27%
诊断敏感性	对恶性肿瘤的敏感性提高 11.5%
诊断准确率	高于放射科医生单独阅片
前瞻性 AUC	达到 0.952（预设目标为 >0.900）

DAMO LiON应用场景

表格

场景	说明
医院放射科日常阅片	作为”AI 安全员”嵌入现有工作流，自动标记可疑病灶，供医生二次确认
肝癌高危人群筛查	针对肝硬化、脂肪肝、术后肝脏等高风险人群的定期监测
肝转移监测	对肠癌、胰腺癌等患者的肝脏转移情况进行随访筛查
基层医疗能力提升	在 AI 协助下，基层医院的初级医生可达到资深医生阅片水平，缓解专家资源不足
多学科会诊前初筛	为 MDT 讨论提供 AI 初筛结果，提升会诊效率和精准度
癌症治疗随访	对既往癌症患者进行复查时，AI 可识别传统指标（肝功能、肿瘤标志物）正常的隐匿性转移

临床部署模式

DAMO LiON 在实际医院环境中采用”人机协同”工作流：

AI 首先对影像进行自动分析
当 AI 判断与医生初诊结论不一致时，病例自动流转至资深放射科医生复核
必要时升级至多学科团队（MDT）讨论
两个月内已推动改变 15 例患者的治疗方案

最后想说：DAMO LiON 代表了医疗 AI 从”概念验证”走向”临床落地”的重要一步。它不是在实验室里跑分的算法，而是真正部署到医院日常阅片流程中、经过前瞻性临床试验验证、能切实减少漏诊并改变患者治疗方案的生产力工具。其核心价值在于将 AI 的”不漏看”与医生的”会判断”结合，形成更可靠的癌症诊断安全网。