8月16日，阿里達摩院發布多癌影像分析通用模型，可檢測、分割和診斷八種主要的高發致死癌癥，有助于實現多癌統一診斷，降低漏診概率。

　　當前，醫療AI模型已經足夠強大，可完成單個器官疾病識別，輔助醫生進行診斷，但在實現多個器官的精準識別時遇到較大挑戰，一是過高的假陽性問題，二是存在一定概率的漏診，這對于癌癥多發病人的診療尤為重要。

　　為避免錯診與漏診，放射科醫生通常對全身的多器官進行多疾病的檢測和診斷。因此，醫生在臨床治療上迫切需要一個更高效的多癌統一診斷模型。

　　針對上述痛點，達摩院醫療AI團隊聯合中山大學腫瘤防治中心、四川省腫瘤醫院、浙大附屬第一醫院、盛京醫院、廣東省人民醫院等單位，提出了一個統一的多癌影像分析通用模型(cancerUniT)，以Mask Transformer語義分割為基礎，解決多種腫瘤圖像此前難以統一檢測、分割和診斷的問題，適用于八種主流的高發高致死癌癥(肺、結直腸、肝、胃、乳腺、食管、胰腺、腎)以及相關器官中的腫瘤子類型。

　　多癌問題的復雜性主要體現在器官、惡性腫瘤和其他腫瘤類型之間存在許多關聯性。例如，肝癌和肝囊腫雖都位于肝臟內，但在紋理和良惡性方面存在差異;而肝癌和胰腺癌雖形態相似，但卻是分屬不同器官的惡性癌癥。

　　為了有效建模多癌之間的差異和相似性，達摩院醫療AI團隊借助Transformer提出了一種新穎的腫瘤表示學習方法，將腫瘤表示為Transformer中的語義Query，并為不同器官中腫瘤及其子類型建立語義層次結構，讓模型學習過程更加有效，并提高腫瘤及其子類型預測的一致性，實現同時輸出分割、檢測和診斷的預測，從而解決臨床上復雜的多癌多腫瘤的識別任務。

　　在一組631名患者的對比測試中，其腫瘤檢測、分割和診斷任務的性能均優于8個特定器官的單模型組合，檢測任務的平均敏感性達到93%，平均特異性達到82%。

　　阿里達摩院醫療AI團隊負責人、IEEE Fellow呂樂認為，該工作以統一模型首次實現“一次調用即診斷八種最致命的癌癥”，在簡化AI模型復雜度的同時，保持較高的敏感度。這將為放射科醫生提供全面的AI輔助診斷支持，尤其在癌癥復發、遠端轉移等臨床場景發揮重要效用。

　　據了解，該模型的論文成果已被計算機視覺頂會ICCV 2023收錄，目前已在上海市第一人民醫院等多家合作醫院進行應用測試。

　　達摩院醫療AI團隊長期致力于醫學影像等方向研究，正在研發包括規模篩查、精準診斷、預后治療、響應評估在內的全流程的癌癥診療技術，覆蓋多個重要病種。該團隊曾在新冠疫情初期研發出CT影像新冠肺炎AI輔助診斷系統，被科技部評為全國科技抗疫先進集體。