阿里达摩院通用影像AI模型DAMO RADAR登顶Science：覆盖146种腹部疾病，医生效率提升30%

事件概述

阿里达摩院联合浙江大学医学院附属第一医院等机构研发的医疗影像AI模型 DAMO RADAR（Rapid Abdominal Diagnosis with AI and Radiology），作为全球首个专家级通用影像AI模型，在学术期刊《Science》上发表。该研究证明了通用大模型在极高精度要求的医疗场景中具备现实可行性，改变了以往医疗AI仅被视为工程技术的观点。

核心技术与突破

• 解决痛点：传统医疗AI多采用监督学习，需大量人工逐片标注，成本高且难以泛化。DAMO RADAR采用视觉-语言对比学习，直接利用医院现有的CT影像与诊断报告文本进行训练，无需额外标注。
• 器官级细粒度对齐：针对腹部CT包含数百张切片、病灶微小的特点，模型将整张CT拆解为肝脏、胰腺等各个器官单元，并与报告中对应的描述精确对齐，模拟放射科医生“逐个器官排查”的工作流，避免关键信号被正常组织淹没。
• 自适应对比建模：根据医学知识动态调整样本距离，确保健康肝脏特征相似的患者被归为一类，同病患者的影像特征也被共同学习，提升了模型的泛化能力。

性能表现与验证

• 覆盖范围：模型覆盖腹部18种解剖结构及146种常见病变，包括肝、胆、胰、脾、肾、肠道等主要器官。
• 内部验证：在近3.9万例真实世界连续队列中，平均AUC（区分患者与正常人的能力指标）达到 0.913。
• 外部泛化：在来自8家外部医院的2.4万例CT数据上，涵盖不同地区和扫描设备，AUC仍保持 0.895。
• 急诊场景：在未专门训练急诊数据的情况下，对2.7万例急诊CT的测试AUC达到 0.904。
• 癌症诊断：以病理活检为金标准，在肝癌、胰腺癌、胃癌、肠癌四种癌症的诊断中，AUC介于 0.891-0.984。
• 人机对比：在与14家医院26名放射科医生的盲测中，RADAR准确率超过其中23名医生，仅略低于3名资深医生。

临床价值与应用前景

• 效率提升：在人机协同场景下，医生整体敏感度提升约 10%，平均阅片时间减少 30% 以上。“初级医生+AI”的配置敏感性甚至超过资深医生独立阅片。
• 带教功能：模型可作为年轻医生的“一对一带教工具”，通过自我检测发现漏诊或误判，加速影像逻辑思维的培养。
• 开源生态：达摩院已将DAMO RADAR的模型、代码及技术框架全部开源，支持迁移至MRI、PET、超声等其他影像模态，促进行业复现与创新。

意义

DAMO RADAR的成功表明，用通用AI解决高精度、低容错率的医疗难题是可行的。其采用的范式不仅适用于腹部CT，也为其他需要极高准确性的科学领域提供了新的技术路线参考。