醫學界近日迎來統一診斷多發性癌症的新方法，阿里達摩院於8月16日發布多癌影像分析通用模型，可檢測、分割和診斷8種主要的高發及致命癌症，有助實現多癌統一診斷，降低漏診的機率。
當今醫學界的醫療AI模型已經足夠強大，可以完成單個器官疾病識別，輔助醫生進行診斷。 然而，在實現多個器官的精準識別時卻遇到較大挑戰，其一是過高的「假陽性」問題，其二是存在一定的漏診機率，兩個問題對於癌症多發病人的診療尤為重要。 為避免錯診與漏診，放射科醫生通常會檢測和診斷全身多重器官，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，適用於8種主流的高發、致命率高的癌症，包括肺癌、 結直腸癌、肝癌、胃癌、乳腺癌、食管癌、胰腺癌及腎臟癌，以及上述器官中的腫瘤子類型。
多癌問題的複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於肝臟內，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症。
為了有效建模多癌之間的差異和相似性，達摩院醫療AI團隊藉助Mask Transformer提出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，並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，並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， 從而解決臨床上複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於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症」，在簡化AI模型複雜度的同時，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，尤其在癌症複發、遠程轉移等臨床場景發揮重要效用。
該模型的論文成果已被國際計算機視覺會議ICCV 2023（International Conference on Computer Vision）收錄，目前已在上海市第一人民醫院等多家合作醫院應用測試。
達摩院醫療AI團隊長期致力於醫學影像等方向研究，正在研發包括規模篩查、精準診斷、預後治療、響應評估在內的全流程的癌症診療技術，覆蓋多個重要病種。 例如，去年初開始聯同中國多家醫院，首次將人工智能AI與電腦斷層掃描（CT）結合，有效識別早期食道癌病徵，準確度甚至高於醫生篩查，有關研究技術及論文已經獲得國際醫學影像會議MICCAI收錄。
達摩院醫療AI團隊也曾在2020年3月新冠疫情初期，研發出CT影像新冠肺炎AI輔助診斷系統，被科技部評為中國科技抗疫先進集體。
