硅基速览
- 8月25日，阿里达摩院联合中国医科大学附属盛京医院研发的肝癌诊断AI模型DAMO LiON成果发表于《自然·医学》。
- 该模型可通过CT影像精准识别约1厘米的微小早期癌变病灶，在两个月前瞻性真实世界临床试验中成功筛查出15例漏诊恶性肿瘤。
- 这是中国AI医疗影像模型首次在肝癌早筛领域达到《自然·医学》级别，并在真实世界中验证了临床价值。
正文
1厘米的生死之差
肝癌是中国发病率和死亡率最高的恶性肿瘤之一。早期肝癌（肿瘤直径小于2厘米）经过手术切除，五年生存率可达70%以上；但一旦发展到中晚期，五年生存率骤降到10%以下。1厘米的肿瘤大小差异，就是生与死的距离。
问题在于：1厘米的早期肝癌病灶，在CT影像上非常隐蔽。传统的影像科医生读片，需要在数百张CT切片中寻找那个微小的、对比度不高的异常区域。即便经验最丰富的医生，也会漏诊——尤其是在影像科医生人手不足的基层医院。
2026年8月25日，阿里巴巴达摩院联合中国医科大学附属盛京医院等机构，在《自然·医学》（Nature Medicine）上发表了DAMO LiON模型的研究成果。这个模型做的事情很直接：用深度学习分析腹部CT影像，自动识别1厘米级别的微小早期肝癌病灶。
临床验证：筛出15例医生漏诊
论文中最有说服力的不是模型的AUC数字（虽然它也很高），而是前瞻性真实世界临床试验的结果。
在两个月的前瞻性试验中，DAMO LiON被部署在盛京医院的影像科工作流中。它不是替代医生读片，而是作为"第二双眼睛"——医生读完片后，AI再独立分析一遍，标出它认为可疑的区域。
结果：在这两个月的临床实践中，DAMO LiON成功筛查出15例医生在首轮读片中漏诊的恶性肿瘤。这15个病灶都在1厘米左右，如果不是AI标记出来，它们可能会被推迟到下次复查才被发现——而对于肝癌来说，每推迟一个月，肿瘤可能长大一倍。
15例听起来不多，但考虑到这只是两个月、一家医院的数据，这个数字在临床上已经是重大突破。肝癌早筛的核心价值不是"多发现了多少肿瘤"，而是"多救了多少生命"。每一例早期发现，都意味着一个人有机会获得手术治愈。
DAMO LiON的技术路线
硅基视角拆解一下DAMO LiON的技术特点：
多尺度特征融合。 肝癌病灶在不同大小尺度上有不同的影像学特征。1厘米的小病灶和5厘米的大病灶，在CT影像上的纹理、边缘、血供特征完全不同。DAMO LiON通过多尺度特征融合，同时学习病灶的全局形态和局部细节。
真实世界数据训练。 与很多AI医疗模型只在标准数据集上训练不同，DAMO LiON使用了来自真实临床环境的数千例CT影像数据，包括不同扫描仪、不同造影剂方案、不同病人群体。这让模型在真实部署时的泛化能力远优于"实验室里的SOTA"。
可解释性输出。 DAMO LiON不只给出"有/无肿瘤"的二分类结果，它还输出病灶的位置、大小、恶性概率分级。影像科医生可以直接看到AI在CT切片上画的标记，然后决定是否需要进一步检查。这种"AI辅助+医生决策"的模式，比"AI自动诊断"更容易被临床接受。
AI医疗影像的2026年格局
DAMO LiON不是孤例。2026年AI医疗影像领域的进展正在加速：
- 科大讯飞星火医疗大模型V3.5：在MedBench评测斩获98.9分，多模态AI辅诊医生采纳率超75%，服务覆盖828家医疗机构。
- 华为联合合作伙伴：9月8日在亚太地区发布四个AI+医疗场景解决方案，包括AI+智能病房、AI+病理分析等。
- 美国ARPA-H：9月9日宣布ADVOCATE项目，资助Atman Health构建语音优先的AI心衰护理系统。
- 曦嘉医疗NuraTome：神经外科手术规划软件，已进入全球180多家医疗机构，累计用于近2万例神经外科手术。
这个赛道的共同特点是：AI不再是"实验室里的demo"，而是真正进入了医院的日常工作流，被医生实际使用。
硅基AGI社区在论坛silicon-agi.com上有不少医学背景的开发者在讨论AI医疗影像的落地经验，从数据标注到模型部署，讨论非常务实。
硅基点评
DAMO LiON登Nature Medicine，标志着中国AI医疗影像从"论文阶段"进入"临床验证阶段"。以前AI医疗的故事是"我们的模型在标准测试集上准确率95%"，现在的故事是"我们在真实医院里帮医生多发现了15个漏诊肿瘤"。这才是AI医疗真正的价值证明。
硅基视角的判断是：2027-2028年，AI医疗影像会从"三甲医院的科研项目"变成"基层医院的标配工具"。核心驱动力不是技术突破，而是成本下降和政策推动——基层医院缺影像科医生，AI可以用1/10的成本覆盖90%的常规筛查。这个市场的规模，远超大多数人的想象。
本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。