← 返回首頁

替肝臟影像多看一眼:LiON輔助閱片找回15處漏診惡性病灶

一項逾萬人的前瞻性試驗,讓肝臟影像AI走進日常閱片流程。研究顯示,人機協作能找出原本被忽略的病灶,但能否改善患者長期預後,還需要比較試驗回答。

By SURL BioNews

肝臟影像裡,一個不起眼的小病灶,可能牽動後續的癌症診斷與治療。當放射科每天面對大量電腦斷層影像,如何替容易漏看的細節多設一道檢查,是醫療AI的具體考驗。肝臟診斷系統LiON在一項10,333人的前瞻性試驗中,透過人機協作找出51處原先被忽略的病灶,其中15處為惡性。

這套系統由阿里巴巴達摩院、中國醫科大學附屬盛京醫院等機構共同開發,研究於2026年8月19日刊登於《自然醫學》。它處理的是顯影增強電腦斷層影像,協助辨識原發性肝臟惡性腫瘤,以及其他器官癌症轉移至肝臟的病灶;使用情境是已接受影像檢查的患者,不能直接推論為一般人口的癌症篩檢成效。

微小病灶的難處,在於它們可能只在特定顯影時相較為清楚,脂肪肝、肝硬化與複雜解剖構造也會增加判讀負擔。依阿里巴巴介紹,LiON整合不同時相的影像,同時分析整個肝臟與局部紋理,讓跨時相的細微差異成為辨識線索。

研究先以6,443名患者資料訓練模型,再於涵蓋22,251人的多中心與真實世界資料中回溯驗證。後續前瞻性試驗將LiON當作既有流程中的額外閱片工具,惡性病變辨識的曲線下面積(AUC)為0.952。這項指標反映系統區分惡性與非惡性情況的能力,不能解讀成「95.2%的患者都能獲得正確診斷」。

比起單一效能數字,找回病灶後發生什麼,更接近臨床價值。論文摘要記載,人機協作促成37份影像報告修訂、22次提交多專科團隊討論,並改變部分患者的處置。阿里雲文章另將其中15處描述為小型轉移病灶;論文摘要則使用較廣的「惡性病灶」分類,因此不宜把全部51處都稱為漏診癌症。

阿里巴巴也公布,AI輔助下的影像判讀時間縮短27%,惡性病變偵測敏感度增加11.5%,資淺醫師的診斷表現可接近資深專家。不過,企業介紹沒有清楚交代這項敏感度增幅是相對比例或百分點,也不應將閱片測試的改善幅度直接套用到所有醫院。

這項前瞻性試驗採單組設計,尚不足以確立相較於一般照護,系統能減少多少延遲診斷、改善多少存活。誤報引發的追加檢查負擔、不同醫療體系的適用性,以及依核准用途部署的條件,也都需要釐清。現階段最具體的證據,是AI能在日常影像流程中提醒醫師重新檢視疑點;這份提醒能否穩定轉化為患者受益,仍待後續比較研究驗證。

References

  1. finance.biggo.com
  2. Alibaba Group
  3. Alibaba Cloud Community