阿里达摩院DAMO RADAR登上Science：一个模型识别146种腹部疾病，模型代码全开源

Science正式刊发一项来自中国的研究：DAMO RADAR，全称Rapid Abdominal Diagnosis with AI and Radiology。研究团队称，这是全球首个专家级通用影像AI模型，能在同一个模型内覆盖腹部18种解剖结构、146种疾病，涉及肝脏、胰腺、胆囊、肾脏、脾脏、肠道等主要器官。研发方为阿里达摩院，联合浙大一院等多家医院共同完成，模型、代码与技术框架已全部开源。

腹部被临床公认为最难的影像场景。这里消化、泌尿、生殖系统挤在一起，肠道盘绕整个腹腔，器官几乎都是密度接近的软组织，全靠肉眼对密度差的敏感度把病灶揪出来；此前肺结节等专病AI辅助工具已经落地，腹部长期被视为没人敢碰的禁区。达摩院高级算法专家张建鹏说，单病种啃下来至少两三年，而真实世界里一份CT影像很可能同时存在多种器官、多种病变。

在方法上，过去的医疗影像AI依赖医生逐张标注的监督学习，标注成本巨大且只能识别被标注过的病种。RADAR改用视觉-语言对比学习，直接利用医院里天然存在的大量CT影像与对应诊断报告之间的关系学习。其核心突破是“器官级细粒度对齐”：先从CT中定位肝脏、胰腺、胆囊、肾脏等器官单元，再把每个器官单元和报告中对应的描述精确对齐；另一项创新是自适应对比建模，依据医学知识动态调整样本之间的距离——两名肝脏健康的患者不该被割裂看待，患同一种病的两个患者则应该放在一起学习。

效果验证做了多层。在内部近3.9万例真实世界连续队列中，RADAR的平均AUC达到0.913；在来自8家外部医院的超过2.4万例CT上，AUC仍有0.895。训练目标并未包含急诊场景，但用2.7万例急诊数据测试时AUC为0.904；在肝癌、胰腺癌、胃癌、肠癌四种癌症上，以病理活检为金标准，AUC为0.891至0.984。

人机对比同样值得关注。来自14家医院的26名放射科医生与RADAR在同一批病例上独立诊断，RADAR的准确率超过其中23名医生，只稍弱于3名资深医生。在人机协同测试中，医生有AI辅助时整体敏感度提升约10%，平均阅片时间减少30%以上；“初级医生+AI”的敏感性甚至超过了资深医生独自阅片。

一线反馈是这项研究最生动的注脚。浙大一院放射科主任肖文波说，第一次看到RADAR的验证数据时不敢相信，科室里很多医生催着赶紧部署，外面医院的医生也闻讯而来。她同时提到，AI辅助的隐忧不在准确率——最终仍有真人把关——而在于年轻医生一旦形成路径依赖，可能把影像逻辑思维的培养路径截断。她的想法是让RADAR同时充当“一对一带教工具”：年轻医生按常规写完报告再用AI自检，哪个病灶漏了当场就知道。

成果没有停留在论文里。达摩院已经把模型、代码、技术框架全部开源，任何团队都可以复现、改进并迁移到自己的场景。团队表示，器官级对齐框架同样适配其他影像模态，只要有相关数据，MRI、PET、超声都可以成为迁移目标；论文中展示的Scaling Law曲线还显示，随着数据增长模型性能持续上升，并未出现饱和迹象。

达摩院资深算法专家张灵说，Science极少发表医疗影像AI文章，因为它长期被当作工程技术问题，RADAR首次证明通用医疗影像AI是一条具有现实可行性的技术路线，也让审稿人开始把它当作科学问题对待。医疗是对精度要求最极端、对错误容忍度最低的场景，如果通用模型范式能在这里跑通，其他高精度场景大概率也能适用。下一步值得观察的是，这套开源框架会在多少家医院真正落地，以及向MRI、PET、超声迁移的实际效果。