编辑丨李希
2022 年，AI 算法专家张建鹏加入阿里巴巴达摩院医疗 AI 实验室时，团队正致力于一项世界级突破：利用 AI 识别平扫 CT 中人眼难以察觉的早期癌症病灶，改写“发现即晚期”的悲剧。
这一构想最终变为现实。基于“平扫 CT+AI"技术路线，达摩院相继研发出针对胰腺癌、胃癌、肠癌等多种癌症的 AI 模型，相关成果四度登上《Nature Medicine》。该刊断言：基于影像的癌症筛查将进入黄金时代。
在负责肠癌 AI 模型（DAMO COCA）研发过程中，张建鹏对临床现实有了更深理解：患者并非按“单病种”患病，同一份 CT 影像往往包含多种异常，传统模式极易漏诊。能否研发一种如雷达般大范围探测、让所有病灶无所遁形的通用 AI 模型？
三年后的 9 月 18 日，《Science》刊发重磅论文《An Expert-Level Generalist AI for Abdominal CT Diagnosis》（一种面向腹部 CT 诊断的专家级通用 AI）。该模型名为 DAMO RADAR（“雷达”），针对腹部增强 CT 诊断，可一次性识别超过 146 种病症，平均准确性首次达到影像科专家水平，标志着国际上首个真正的通用影像 AI 模型诞生。
01 AI 大势：从专病模型走向通用智能
影像是医疗 AI 落地最明确的方向。凭借成熟的视觉技术和“有图有真相”的确定性，以肺结节、糖网病变为代表的识别模型已超越人类医生。达摩院开创的“平扫 CT 多癌早筛”更是突破了人眼极限。
然而，此前业内主流均为“一病一模”的专病模型。这种模式虽能将性能推至极致，但每攻克一个新病种，需重新采集数据、邀请专家标注，耗时两三年且无法泛化。张建鹏意识到，若仅靠堆砌专病模型，终其一生也无法覆盖万千疾病。
通用影像 AI 需要新的学习范式。受视觉 - 语言模型（VLM）启发，团队提出利用现有的影像诊断报告作为“教材”，让 AI 在看影像的同时学习对应的文字描述，从而无需额外的人工标注。
02 攻坚难点：腹部 CT 堪称影像科“地狱模式”
为何首选腹部增强 CT？浙江大学医学院附属第一医院放射科主任肖文波指出，这是影像科的“地狱模式”。腹部涵盖消化、泌尿、生殖等几十个器官系统，多为软组织，密度差异小，影像呈现灰蒙蒙的一团。即便注射造影剂，医生仍需从横断位、冠状位、矢状位反复重建观察，阅片如同“翻书”，一份报告常需耗时 20 分钟至 1 小时。
“同病异影、异病同影”现象普遍，人类医生难以积累覆盖所有肿瘤特征的经验。漏诊一个小肿瘤，可能导致患者生存期截然不同。过往的单病种 AI 在此领域杯水车薪，全腹部通用 AI 曾被视为“不敢想”的难题。
正因难度极大、临床需求迫切，达摩院决定迎难而上，选择这一最具价值的领域进行突破。
03 技术突破：“对齐颗粒度”实现效果跃升
2024 年初，浙一与达摩院正式合作。初期模型精度遭遇瓶颈，原因在于三维 CT 数据中病变信号稀疏，易被正常背景淹没。同期斯坦福大学发布的 Merlin 模型覆盖 30 种疾病，AUC（曲线下面积）约为 0.812，尚未达到医生平均水平。
张建鹏通过深入临床交流，发现医生阅片遵循“先定位器官，再排查病灶”的逻辑。受此启发，团队摒弃了以往的全局对齐方式，创新提出“解剖级细粒度对齐”：将影像和报告按器官分割，让 AI 从“全文学习”转变为“逐句学习”，原生理解解剖结构关系。
此外，RADAR 引入自适应对比建模策略，修正了传统对比学习中不符合医学逻辑的特征远离机制。这些技术创新效果立竿见影：在涵盖 18 种器官、146 种疾病的近 4 万次真实世界检查中，模型 AUC 高达 0.913，跨越了人类医生平均水平门槛。
更令人振奋的是，在未包含急诊数据的训练条件下，模型在复杂急诊场景的 17 种常见急腹症验证中，AUC 仍达到 0.904，证明其能力边界远超验证范围。
04 未来展望：人机协作与双轨并行
在与来自 14 个机构的 26 名放射科医生的对比测试中，RADAR 的表现优于绝大多数初级及部分资深医生。在人机协作试验中，AI 辅助使医生发现疾病的敏感性提高 10%，阅片时间减少 30.7%，初级医生在辅助下甚至可超越资深医生水平。
对于影像医生的未来，肖文波认为 AI 不应截断年轻医生的成长，而应成为“一对一”带教的补充。她倡导年轻医生先独立阅片，再与 AI“参考答案”对比反思，保留核心的诊断思维过程。
达摩院专家指出，专病模型与通用模型将长期并行：前者追求单病种的极致特异性，适用于癌症筛查；后者强调多器官、多病灶的广覆盖，适用于腹部 CT 综合诊断。RADAR 的研究范式有望推广至核磁、超声等领域，推动医疗迈向通用 AI 时代。
从 PANDA 到 RADAR，达摩院医疗 AI 完成了一次从“专才”到“通才”的自我革命，其核心始终未变：探索医生和患者真正需要的医疗 AI。
开源地址：https://github.com/alibaba-damo-academy/damo-radar
论文链接：www.science.org/doi/10.1126/science.aec6129