AI 正在重塑各行各业，但在医疗影像领域，尤其是高难度的腹部 CT 诊断中，通用 AI 模型长期未能突破“专用模型”的局限。尽管 Hinton 曾预言 AI 将很快超越放射科医生，但十年过去，医疗场景的高精度要求与容错率极低的特性，使得这一目标始终难以实现。
近日，顶级学术期刊《Science》正式发表了来自阿里巴巴达摩院的重磅研究成果——DAMO RADAR。这是全球首个专家级的通用腹部影像 AI 模型，能够识别腹部 18 种解剖结构的 146 种疾病，其诊断准确率媲美甚至超越资深放射科医生。目前，该模型的代码、框架及技术细节已全面开源。
一个模型覆盖 146 种腹部疾病
DAMO RADAR（Rapid Abdominal Diagnosis with AI and Radiology）由阿里达摩院联合浙大一院等全球多家顶尖医院共同研发。此前，团队曾在胰腺癌、胃癌等单病种筛查上取得突破并发表多篇《Nature Medicine》，但面对成千上万种人类疾病，单一病种的开发模式效率低下且无法应对真实世界中患者多病共存的复杂情况。
研发团队选择攻克临床公认最难的“腹部影像”场景。腹部涵盖消化、泌尿、生殖等多个系统，器官密集且多为软组织，密度差异微小，病灶识别极度依赖医生经验。RADAR 旨在用一个通用模型解决整个腹部的诊断问题，覆盖肝脏、胰腺、胆囊、肾脏、脾脏及肠道等主要器官的常见病变。
严苛的多层验证与急诊泛化能力
团队对 RADAR 进行了极为严格的多维度验证：
- 内部验证：在近 3.9 万例真实世界连续队列中，模型平均 AUC（曲线下面积）达到 0.913，表现优异。
- 外部泛化：在来自 8 家外部医院、不同地区及不同扫描设备的 2.4 万例 CT 数据中，AUC 仍保持在 0.895。
- 急诊场景：面对成像质量较差、患者配合度低的急诊数据（2.7 万例），未专门训练的 RADAR 依然取得了 0.904 的 AUC。
- 病理金标准：在肝癌、胰腺癌、胃癌、肠癌四种癌症的诊断中，以病理活检结果为基准，RADAR 的 AUC 区间高达 0.891 至 0.984。
人机对比：超越多数资深医生
在涉及 14 家医院 26 名放射科医生的人机对比测试中，RADAR 的准确率超过了其中 23 名医生，仅略逊于 3 名顶尖资深专家。更值得关注的是人机协同效应：医生借助 AI 辅助后，整体敏感度提升约 10%，平均阅片时间减少 30% 以上。“初级医生+AI"的组合，其敏感性甚至超过了资深医生独立阅片的水平。
技术突破：视觉 - 语言对比学习与细粒度对齐
传统医疗 AI 多采用监督学习，依赖医生逐张标注，成本高昂且泛化性差。RADAR 创新性地采用了视觉 - 语言对比学习路径，直接利用医院海量存在的"CT 影像 + 诊断报告”天然对应关系进行训练，无需额外标注。
核心创新：器官级细粒度对齐
针对腹部 CT 切片多、器官杂、病灶小的特点，团队提出了“器官级细粒度对齐”策略。模型首先定位并拆解出肝脏、胰腺等各个器官单元，再将每个单元与报告中对应的描述进行精确匹配。这一设计模拟了放射科医生“逐个器官排查”的真实阅片逻辑，有效避免了关键病灶信号被正常组织淹没的问题。
自适应对比建模
引入医学先验知识，RADAR 采用自适应对比建模：将健康样本与健康样本拉近，同类疾病样本相互靠近，动态调整特征空间距离。数据显示，随着数据量增长，模型性能持续提升，尚未出现饱和迹象，展现出强大的 Scaling Law 潜力。
临床应用：补全盲区与赋能教学
RADAR 的出现正在改变一线医生的工作流。浙大一院放射科主任肖文波表示，面对“同病异影、异病同影”的复杂情况，人类医生穷尽一生也难以阅遍所有病例，而 AI 能有效补全医生的认知盲区，尤其在良恶性鉴别等高压场景下提供关键参考，帮助医生“少漏一个病灶”。
针对年轻医生可能产生的“路径依赖”担忧，团队提出将 RADAR 打造为“一对一带教工具”。年轻医生完成初诊后，可利用 AI 进行自我检测与交叉验证，即时发现漏诊或误判，相当于随时有一位“主任级”导师在场指导，加速人才培养。
此外，RADAR 的器官级对齐框架具备极强的迁移能力，可适配 MRI、PET、超声等其他影像模态。达摩院已宣布将模型、代码及技术框架全部开源，推动全球医疗 AI 技术的发展。
《Science》审稿人评价指出，RADAR 首次证明了通用医疗影像 AI 是一条具有现实可行性的技术路线，将医疗 AI 从单纯的“工程问题”提升到了“科学问题”的高度。这不仅是对单一模型的认可，更确认了用通用 AI 攻克高难度、高精度行业场景的可行性。
论文链接：https://www.science.org/doi/10.1126/science.aec6129
开源地址：https://github.com/alibaba-damo-academy/damo-radar