阿里达摩院开源腹部CT通用AI，可识别146种病症

nashnova research

今天发布阅读约 4 分钟

达摩院开源通用医疗影像模型DAMO RADAR，一次读取腹部增强CT即可识别18个器官、146种病症，论文登上《科学》正刊——这意味着通用影像AI从实验室概念走向了可部署的开源工具。

这个模型做了什么，为什么说是"通用"？

DAMO RADAR是一个视觉-语言模型（用CT影像和临床文字报告配对训练的AI），能同时扫查18个腹部器官、覆盖146种临床发现，包括多种恶性肿瘤。

这意味着→ 它不是只找一种癌症的专病模型，而是一次扫描、全面排查——达摩院称其为「全球首个专家级通用医疗影像模型」。

在近3.9万次真实检查中，平均AUC（衡量诊断准确率的指标，满分1.0）达到0.913。用大白话说＝每100次判断里，模型区分"有病"和"没病"的能力已非常接近顶尖医生。

达摩院算法专家张建鹏长期在医院观察医生读片，发现关键动作不是"一眼看完整个腹部"，而是按器官逐一排查。

RADAR的架构直接模仿了这个动作：把腹部拆成不同解剖单元，让每个器官与报告里的对应描述对齐，再比较正负提示词与影像的相似度，生成热力图（一张用颜色标出风险区域的图）提示医生。

这反映出一个设计取舍——此前的视觉-语言模型用"全局视角"看腹部CT，效果不好，因为腹部结构复杂、病灶稀疏，模型容易走捷径，关键异常被淹没。按器官拆解后，问题迎刃而解。

在与14家医院、26名影像科医生的对比中，RADAR平均准确率超过其中23名，仅弱于3名资深医生。

在27,267例急诊CT测试中，面对17种常见急腹症，平均AUC仍达0.904；8家外部医疗中心的回顾性验证中，平均AUC约0.895。

辅助阅片实验显示：AI帮助医生将防漏诊能力提升10%，平均阅片时间缩短30.7%。这意味着→ 它最大的价值不是替代医生，而是帮医生"又快又少漏"。

浙大一院放射科主任肖文波指出，该院一天有四五千例CT，腹部CT一例资深医生需20-30分钟——"如果在我们医院腹部CT都是很困难的问题，那普通医院应该更难。"

但她也提出隐忧：年轻医生借助AI可以写出接近资深医师水平的报告，"但把AI一撤掉之后，又变成了年轻医生的水平"。

她设想的使用顺序是：医生先独立判断 → AI复核 → 医生再对比分析，将AI作为带教工具而非替代工具。用大白话说＝先自己做题，再看答案，而不是直接抄答案。

RADAR不是此前DAMO PANDA（胰腺癌）、GRAPE（胃癌）、COCA（结直肠癌）、EAGLE（食管癌）等专病模型的简单合并。

专病模型从平扫CT中找特定癌症早期信号，适合无症状人群筛查；RADAR面对的是增强CT，目标是同时扫查多器官、大量异常。这意味着→ 两者定位不同：一个是"体检时顺带查"，一个是"有症状后全面排查"。

达摩院算法专家张灵表示，RADAR的能力"还未被完全挖掘，还有可能随着Scaling Law进一步上升"。

代码已上传GitHub，论文发表于《科学》正刊，外部机构的部署门槛大幅降低。

但目前RADAR仅完成回顾性实验（用已有数据验证），尚未进入前瞻性临床试验（在真实诊疗流程中实时验证）。

这反映出通用影像AI当前的核心悬念：回顾性数据表现亮眼，但能否在前瞻性试验中维持，才是真正落地的关键验证节点。用大白话说＝实验室考试考得好，还得看真上考场的成绩。

市场有风险，内容仅供研究参考，不构成投资建议。