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。

　　当前，医疗AI模型已经足够强大，可完成单个器官***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，一是过高的假阳性问题，二是存在一定概率的漏诊，这对于癌症多发病人的***尤为重要。

　　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***的检测和诊断。因此，医生在临床治疗上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。

　　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吕乐认为，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。

　　据了解，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。

　　达摩院医疗AI团队长期致力于医学影像等方向研究，正在研发包括规模筛查、精准诊断、预后治疗、响应评估在内的全流程的癌症***技术，覆盖多个重要病种。该团队曾在新冠疫情初期研发出CT影像新冠肺炎AI辅助诊断系统，被科技部评为全国科技抗疫先进集体。