El 24 de agosto de 2026, hora de Pekín, el canal público de QbitAI destacó la investigación de LiON para diagnosticar tumores hepáticos; el artículo correspondiente se había publicado en Nature Medicine el 19 de agosto. LiON, sigla de Liver DiagnOsis Network, es un sistema de inteligencia artificial que procesa imágenes de tomografía computarizada con contraste. El estudio lo integró en el flujo clínico como una revisión adicional junto a los médicos y no describió un proceso en el que el sistema emita diagnósticos clínicos sin ellos.

Instituciones de investigación y estructura del sistema.

El trabajo fue realizado por investigadores del Hospital Shengjing de la Universidad Médica de China, DAMO Academy de Alibaba, el Primer Hospital Afiliado de la Facultad de Medicina de la Universidad de Zhejiang y otras instituciones. Las organizaciones participantes se distribuyen por varias ciudades chinas e incluyen colaboradores en Francia y el Reino Unido. El artículo identifica los diagnósticos omitidos o tardíos en servicios de radiología con gran volumen de trabajo como el problema clínico y evalúa una red de seguridad diagnóstica compatible con la práctica cotidiana. ClinicalTrials.gov identifica al Hospital Shengjing como organización responsable del estudio de un solo grupo y a Yu Shi como investigador principal.

LiON procesa tomografías computarizadas con contraste en varias fases. Las fases sin contraste, arterial y venosa son obligatorias; la fase tardía puede añadirse cuando está disponible. La leyenda pública de una figura ampliada describe cuatro componentes —codificador de imágenes, red troncal, clasificador y segmentador— que usan características multiescala para el procesamiento integral. El sistema genera una puntuación de riesgo de malignidad por paciente y segmenta ocho tipos de lesiones hepáticas. El clasificador y el segmentador usan consultas aprendibles y atención cruzada densa; cuando existen datos clínicos, estos pueden incorporarse a la predicción mediante una regresión logística en dos etapas basada en puntuaciones.

Validación retrospectiva y resultados de subgrupos.

Los investigadores entrenaron LiON con datos de 6.443 pacientes y después lo validaron retrospectivamente en 22.251 pacientes de cohortes multicéntricas y de práctica real. El artículo informa un AUC general de 0,975 para el diagnóstico de malignidad, con un intervalo de confianza del 95% de 0,971–0,979. El AUC mide la capacidad del modelo para distinguir casos positivos de negativos, no el porcentaje de casos clasificados correctamente. Por ello, 0,975 no puede expresarse como una exactitud del 97,5%, y el resultado solo corresponde a los datos y métodos de evaluación definidos en el estudio.

El artículo también presenta resultados para dos subgrupos con enfermedades hepáticas de base. Entre pacientes con esteatosis hepática, el AUC fue de 0,971, con un intervalo de confianza del 95% de 0,952–0,985. Entre pacientes con cirrosis, fue de 0,924, con un intervalo de confianza del 95% de 0,901–0,946. Estas cifras describen el rendimiento en las muestras estudiadas; los materiales disponibles no establecen un rendimiento equivalente en todos los hospitales, equipos de imagen o sistemas sanitarios.

Estudio de un solo grupo y flujo colaborativo

El equipo realizó después un estudio intervencionista de un solo grupo en el Hospital Shengjing de Shenyang, con 10.333 pacientes inscritos y el registro NCT07153783. El registro indica que el estudio comenzó el 1 de septiembre de 2025, alcanzó la fecha de finalización primaria el 29 de octubre y terminó el 7 de noviembre. No fue aleatorizado ni ciego y careció de grupo de control. El criterio principal predefinido exigía que el límite inferior del intervalo de confianza del 95% para el AUC superara 0,900. El artículo informa un AUC de 0,952, con un intervalo de confianza del 95% de 0,942–0,961, por lo que alcanzó ese umbral estadístico.

En el flujo clínico, LiON actuó como lector adicional junto a los médicos. El resumen del artículo informa que el proceso colaborativo identificó 51 lesiones omitidas en los informes iniciales y confirmadas en una revisión posterior; 15 eran malignas. También produjo 37 informes radiológicos corregidos, 22 derivaciones a equipos multidisciplinarios y cambios en el manejo clínico de algunos pacientes. Son resultados secundarios de un estudio de un solo grupo. Sin una comparación aleatorizada y controlada, estas cifras por sí solas no permiten establecer el beneficio clínico neto frente a la práctica habitual.

Representación de los medios y límites de la investigación.

El titular del canal de QbitAI presentó LiON como un modelo de IA para cáncer de hígado y afirmó que identifica tumores de un centímetro; el breve resumen solo confirma que DAMO Academy, el Hospital Shengjing y otras instituciones desarrollaron el sistema. El artículo abarca la categoría más amplia de tumores hepáticos malignos, y ni el resumen público ni el registro del estudio señalan un centímetro como límite de detección, tamaño medio o resultado estratificado. Este informe, por tanto, no reduce todos los casos a cáncer primario de hígado ni emplea una cifra de tamaño que esos materiales públicos no verifican.

Los autores señalan que todavía se necesitan estudios comparativos prospectivos en distintos sistemas sanitarios para evaluar los efectos sobre los resultados clínicos. Los datos por paciente no son públicos debido a restricciones éticas y de privacidad; los investigadores cualificados deben solicitar acceso mediante revisión de gobernanza, aprobación ética y un acuerdo de uso de datos. El código completo de LiON tampoco está disponible por dependencias de infraestructura propietaria y solicitudes de patente pendientes, mientras que el repositorio público solo contiene componentes algorítmicos clave y lógica de inferencia. Alibaba ha solicitado patentes relacionadas, y cuatro autores declararon ser empleados de Alibaba con acciones de la empresa.