(资料图)

大模型正在加速拥抱医疗行业。8月16日，阿里达摩院发布多癌影像分析通用模型，可检测、分割和诊断八种主要的高发致死癌症，有助于实现多癌统一诊断，降低漏诊概率。据悉，该模型的论文成果已被计算机视觉顶会ICCV 2023收录，目前已在上海市第一人民医院等多家合作医院进行应用测试。

浙江大学医学院附属第一医院放疗科副主任叶香华表示，多癌图像分析统一模型特别符合临床医生的实际需求，不仅可以像一名住院医生给出影像里的各个癌症和常见疾病的初步诊断，还可以高效检测出早期癌症的病灶，大幅减低医生的看片时间，并辅助医生提高癌症的准确诊断率，是临床医生不可多得的好助手。

当前，医疗AI模型虽然已经足够“大”，可完成单个器官疾病识别，辅助医生进行诊断，但在实现多个器官的精准识别时遇到较大挑战。一方面，在进行器官疾病识别时存在过高的假阳性问题；另一方面，存在一定概率的漏诊，这对于癌症多发病人的诊疗影响颇深。为避免错诊与漏诊，放射科医生通常对全身的多器官进行多疾病的检测和诊断。因此，临床治疗迫切需要一个更高效的多癌统一诊断模型。

针对上述痛点，达摩院医疗AI团队联合中山大学肿瘤防治中心、四川省肿瘤医院、浙大附属第一医院、盛京医院、广东省人民医院等单位，提出了一个统一的多癌影像分析通用模型（cancerUniT），以Mask Transformer语义分割为基础，解决多种肿瘤图像此前难以统一检测、分割和诊断的问题，适用于八种主流的高发高致死癌症（肺、结直肠、肝、胃、乳腺、食管、胰腺、肾）以及相关器官中的肿瘤子类型。

据了解，多癌问题的复杂性主要体现在器官、恶性肿瘤和其他肿瘤类型之间存在许多关联性。例如，肝癌和肝囊肿虽都位于肝脏内，但在纹理和良恶性方面存在差异；而肝癌和胰腺癌虽形态相似，但却是分属不同器官的恶性癌症。

为了有效建模多癌之间的差异和相似性，达摩院医疗AI团队借助Transformer提出了一种新颖的肿瘤表示学习方法，将肿瘤表示为Transformer中的语义Query，并为不同器官中肿瘤及其子类型建立语义层次结构，让模型学习过程更加有效，并提高肿瘤及其子类型预测的一致性，实现同时输出分割、检测和诊断的预测，从而解决临床上复杂的多癌多肿瘤的识别任务。在一组631名患者的对比测试中，其肿瘤检测、分割和诊断任务的性能均优于8个特定器官的单模型组合，检测任务的平均敏感性达到93%，平均特异性达到82%。

阿里达摩院医疗AI团队负责人、IEEE Fellow吕乐表示，该工作以统一模型首次实现“一次调用即诊断八种最致命的癌症”，在简化AI模型复杂度的同时，保持较高的敏感度。这将为放射科医生提供全面的AI辅助诊断支持，尤其在癌症复发、远端转移等临床场景发挥重要效用。

自生成式AI浪潮席卷全球以来，大模型的落地问题备受业界瞩目。业内专家认为，医疗行业AI大模型或将率先落地，相关应用有望显著缓解医疗行业痛点，且未来随着应用场景的进一步深化，行业长期机遇巨大。