AI 辅助肝脏恶性肿瘤诊断：LiON 多中心研究及单臂试验

肝脏恶性肿瘤的诊断高度依赖对比增强CT，影像学界已借助LI-RADS等体系对高危人群肝细胞癌的CT诊断术语与报告加以标准化^[1]，而局灶性肝病变在腹部影像中日益常见，鉴别诊断中必须考虑恶性可能^[6]。但诊断标准的存在并不等于诊断的及时：超过60%的肝细胞癌患者因就诊和诊断过晚而错失根治性治疗^[5]，晚期患者只能依靠仑伐替尼联合TACE这类系统-局部综合手段延长生存^[4]。在高量、真实的阅片流程中，漏诊与延迟诊断始终是绕不开的临床痛点，可规模化的“诊断安全网”因此成为迫切需求。

为此，研究团队开发了基于CE-CT的人工智能系统LiON，支持灵活的多期相处理与临床数据整合，并与现有流程兼容。系统在6,443例患者上训练，在22,251例多中心及真实世界队列中回顾性验证，恶性诊断AUC达0.975（95%CI 0.971–0.979），在脂肪肝（AUC 0.971）与肝硬化（AUC 0.924）人群中依然稳健。随后研究者在常规临床实践中开展单臂试验（NCT07153783），让LiON以“额外AI阅片者”身份嵌入既有流程，覆盖10,333例患者，主要终点——AUC的95%CI下界超过0.900——顺利达成，AUC为0.952（95%CI 0.942–0.961）。二次结局显示，人机协作识别出51处既往被忽略的病灶（其中15处恶性），促成37份放射报告修订、22次多学科团队升级及部分患者的临床管理调整。计入全部队列，研究共覆盖39,027例患者、139,801次CT扫描^[8]。

把这一结果放回既有版图：深度学习在大规模CT上检出恶性肿瘤的可行性，已由PANDA在平扫CT胰腺癌检测中得到验证^[2]；从大规模回顾性验证走向前瞻性真实部署的路径，也已在乳腺癌筛查AI中走过一遍^[7]。LiON的推进在于把评价重心从孤立的诊断性能移向流程内的实际产出——漏诊病灶的回收、报告修订与多学科升级，这与肝胆肿瘤指南强调多学科评估的原则相呼应^[3]。

不过，该试验为单臂设计、缺乏同期对照，10,333例中经协作识别的既往漏诊恶性灶仅15处，AI介入能否最终转化为患者结局的改善仍是未知数；作者自己也明确指出，还需在多样化医疗体系中开展前瞻性比较研究加以检验。