AGI最难一战，竟在医院！中国AI登上Science，医生不怕失业还催着上线
内容提要
阿里达摩院与浙大一院等联合研发的通用医疗影像AI模型DAMO RADAR登上Science，覆盖腹部18种解剖结构、146种疾病，采用视觉-语言对比学习和器官级细粒度对齐，无需逐片标注。内部3.9万例AUC为0.913，外部2.4万例为0.895，急诊场景0.904。人机对比中准确率超26名医生中的23名，医生协同后敏感度提升约10%，阅片时间减少超30%。模型、代码、框架全部开源。
延伸解读
腹部CT为何成为AI的试金石
腹部CT被临床公认为最难的影像场景，因为腹部器官多为软组织，密度接近，且肠道盘绕，病变复杂。年轻医生常害怕被分到腹部组。此前AI辅助多集中在肺结节等相对简单的领域，腹部一直是禁区。RADAR选择这一难题，旨在用一个模型覆盖整个腹部，其成功验证了通用模型在极端复杂场景下的可行性。
从专用到通用：技术路径的转变
传统医疗影像AI依赖监督学习，需要医生逐片标注，成本高且只能识别特定疾病。RADAR采用视觉-语言对比学习，直接从CT影像和诊断报告的对应关系中学习，无需额外标注。通过器官级细粒度对齐和自适应对比建模，模型能精确关联器官与描述，并动态调整样本距离，从而覆盖146种疾病。这一路径为医疗AI的规模化提供了新思路。
人机协同的实际影响与隐忧
在人机对比中，RADAR准确率超过26名医生中的23名，医生协同后敏感度提升约10%，阅片时间减少超30%。这能帮助医生减少漏诊，尤其在良恶性鉴别时提供参考。但年轻医生可能形成路径依赖，影响影像逻辑思维的培养。肖文波建议将RADAR作为带教工具，让年轻医生自我检测，从而兼顾效率与成长。
开源与跨模态迁移的潜力
RADAR的模型、代码和框架全部开源，任何团队都可以复现、改进或迁移到其他场景。其器官级对齐框架也适配其他影像模态，如MRI、PET、超声，只要有相关数据即可迁移。这降低了医疗AI的研究门槛，有望推动更多机构参与，加速通用医疗影像AI的发展。
Q&A
DAMO RADAR是什么？它有什么特别之处？
DAMO RADAR是阿里达摩院与浙大一院等联合研发的全球首个专家级通用医疗影像AI模型，能识别腹部18种解剖结构、146种疾病，且模型、代码、框架全部开源。
RADAR在医疗影像诊断中的准确率如何？
在内部3.9万例真实世界队列中平均AUC为0.913，外部2.4万例为0.895，急诊场景0.904；在肝癌等四种癌症病理金标准测试中AUC达0.891-0.984。
RADAR与医生相比表现如何？
在14家医院26名放射科医生参与的人机对比中，RADAR准确率超过其中23名医生，仅稍弱于3名资深医生；医生协同AI后敏感度提升约10%，阅片时间减少超30%。
RADAR采用了什么技术实现通用性？
采用视觉-语言对比学习，直接从CT影像和诊断报告文本的对应关系中学习，无需逐片标注；并创新了器官级细粒度对齐和自适应对比建模。
为什么选择腹部作为突破场景？
腹部是临床公认最难的影像场景，涉及消化、泌尿、生殖系统，器官多且软组织密度接近，年轻医生最怕分到腹部组，此前AI辅助工具一直未突破。
RADAR对医生工作有什么实际帮助？
能帮助医生减少漏诊，尤其在良恶性鉴别时提供参考；可作带教工具，年轻医生用AI自我检测，每个病例变成交叉验证和学习过程。
RADAR登上Science有什么意义？
Science极少发医疗影像AI文章，RADAR首次证明通用医疗影像AI是可行技术路线，改变了审稿人看法，将其视为科学问题，并经受住严格同行评议。
