AIGC.BAR 首页
ARTICLE SIGNAL

中国AI登Science！达摩院RADAR打破专模困局，医疗大模型迎突破

阿里达摩院,DAMO RADAR,Science正刊,医疗大模型,全腹CT诊断,通用影像AI,人工智能,医学影像,Hinton预言,AI资讯,AI新闻,AI门户,AGI医疗突破,深度学习

type
status
date
slug
summary
tags
category
icon
password
网址
2016年，图灵奖得主、深度学习先驱杰弗里·辛顿（Geoffrey Hinton）曾提出一个引发行业巨大争议的预言：“现在就应该停止培养放射科医生，五年内AI就会全面胜过人类放射科专家。”
然而近十年过去了，放射科不仅没有消失，AI在医疗领域的落地反而走过了一条漫长而曲折的探索之路。医疗场景对精度的高标准、对幻觉与漏诊的“零容忍”，让过去十年的医学影像AI长期困在单一疾病、单一器官的“专病专模”孤岛中。
这一行业瓶颈终于迎来了历史性突破。国际顶级学术期刊《Science》正刊发表了由阿里巴巴达摩院联合浙江大学医学院附属第一医院共同研发的通用影像AI模型——DAMO RADAR。该模型在最复杂的全腹部CT影像中，实现了对超过146种病症的高精度识别，平均受试者工作特征曲线下面积（AUC）达到0.913，首次在全腹影像诊断维度达到资深专家级水平。
作为当前全球首个专家级通用医学影像大模型，RADAR的诞生不仅宣告了中国在医疗人工智能领域的重大科研进展，也为全球关注AI资讯与AGI落地的研究者提供了全新范式。如果你持续关注前沿科技动态，可以通过权威的 AI门户与AI资讯平台 获取更多深度行业洞察。

从“四把专病尖刀”到全域雷达：达摩院医疗AI的演进逻辑

在通用影像大模型RADAR横空出世之前，达摩院在医学影像领域已经深耕多年，并打造了四把针对恶性肿瘤早期筛查的“专病尖刀”：
  • DAMO PANDA（胰腺癌筛查）：2023年登上《Nature Medicine》，创新性地利用平扫CT识别早期隐匿的“癌王”胰腺癌，在超2万人的回顾性临床验证中成功揪出多例既往漏诊病灶。
  • DAMO GRAPE（胃癌筛查）：2025年发表于《Nature Medicine》，攻克了胃部空腔器官形态多变、难以通过CT筛查的技术死角，覆盖近10万人群。
  • DAMO COCA（结直肠癌筛查）：2026年登上《Annals of Oncology》，在无需患者额外增加特殊检查的前提下，从现有影像中精准捕获结直肠癌风险信号。
  • DAMO EAGLE（食管癌筛查）：实现无需插管和造影剂的平扫CT早期食管恶性病变筛查。
这四款模型如同四把极致锋利的狙击枪，通过平扫CT的“机会性筛查”向下深挖高危病灶。然而，专病模型存在不可忽视的边际成本：每新增一种疾病，就需要历经数年的病例收集、医生标注、算法训练与多中心验证。
面对人体数以千计的复杂病症，单靠专病模型堆叠无法应对临床全景。临床医生在面对患者时，需要的不仅是单一靶点的狙击枪，而是一部能够全方位扫描隐患、防范多器官复合病变的“广域雷达”。

攻克“腹部CT”恶魔难度：解剖对齐重构视觉语言架构

在人体所有解剖区域中，全腹部CT一直被影像科医生视为难度极高的“试金石”。腹部囊括了消化、泌尿、生殖等多个核心系统，脏器重叠紧密，病灶形态多变，一次增强CT扫描便包含多个期相、数百张切片。
此前，学界尝试将自然语言处理中的视觉-语言大模型（Vision-Language Models）引入医学影像，希望借助CT报告实现自监督图文对齐。但在复杂的腹部解剖结构下，粗放的全局视角极易导致算法走捷径，微小稀疏的病灶往往被模型忽略。
达摩院算法团队从临床医生的实际阅片流程中找到了技术突破口：医生看片并非笼统扫描，而是按解剖单元逐个器官进行排查与交叉比对。
基于这一临床逻辑，RADAR重构了算法架构：
  1. 解剖单元解构：将整个腹部分解为独立的解剖器官单元，建立局部精细化表征。
  1. 细粒度图文对齐：让每个解剖区域与放射科报告中的具体医学术语严格对齐，避免模型在全局信息中迷失。
  1. 零幻觉风险提示：摒弃直接生成不可控文本报告的方式，通过比对正负医学提示词（Prompt）与影像特征的相似度，在工作站上以直观的病灶热力图形式辅助医生决策。

3.9万次真实世界大考：泛化能力与人机对照实测

为了验证模型的临床真实有效性，研发团队为RADAR设置了严苛的跨中心、跨场景测试：
  • 海量多病种测试：在内部39,160次测试中，涵盖146项全腹病症，平均AUC达到0.913。
  • 多中心泛化验证：在8家外部医疗中心的回顾性队列中，各中心覆盖68至136项病症，平均AUC稳定在0.895左右；针对肝癌、胰腺癌、胃癌与结直肠癌等重大恶性肿瘤，病理金标准AUC高达0.891至0.984。
  • 急诊复杂场景迁移：在包含27,267例急腹症CT测试中，面对17种未经专门优化的常见急症，模型平均AUC仍达0.904，展现出优异的零样本与少样本迁移泛化能力。
在最受瞩目的“人机读片对比实验”中，RADAR与来自14家医院的26位影像科医生同台测试。结果显示，RADAR的平均诊断准确率超越了其中的23位医生，仅略逊于3位顶级资深专家。

从“替代论”到“超级副驾驶”：重塑影像科人机协作生态

与早年间科技界盛传的“AI替代医生”焦虑截然相反，一线影像科专家对通用影像AI展现出了极大的热情与欢迎。
医疗影像诊断中普遍存在“同病异影、异病同影”的挑战，面对每天成千上万例的庞大读片需求，影像医生承受着巨大的防漏诊心理压力。临床实验数据显示，在RADAR的辅助下：
  • 医生诊断的敏感性（防漏诊能力）平均提升了 10%；
  • 平均阅片耗时缩短了 30.7%；
  • 年轻医生借助AI辅助，能够快速具备接近高年资专家的诊断底气。
正如临床专家所设想的最佳协作流程：医生先独立阅片形成判断，AI作为全天候不疲劳的“数字副驾驶”进行二次复核；对于AI标记而医生初判遗漏的病灶，医生展开溯源分析。这种人机协作闭环不仅确保了医疗安全的责任主体，更将AI转化为了基层与青年医生的实时带教工具。
英伟达CEO黄仁勋近期在探讨医学AI时也曾指出，放射科医生不仅没有被淘汰，人数反而稳步增长，因为顶尖医生正在全面拥抱AI工具赋能自身。

通用模型与专病模型的未来融合

随着DAMO RADAR的代码与权重面向学术界与医疗界开源，医疗影像领域正在开启“广度与深度协同”的新篇章：
  • 通用大模型铺底（广度）：如RADAR，负责在多器官增强CT中展开全局地毯式排查，降低多发病与复合病的漏诊风险；
  • 专病小模型深扎（深度）：如PANDA、GRAPE，持续利用平扫CT深挖早期隐匿肿瘤的超前微小信号。
在大模型技术加速渗透各行各业的今天，从LLM自然语言交互到多模态跨学科演进，关注最新的 AI新闻与AI变现资讯 正在成为各行业专业人士把握技术红利的关键。

结语

中国团队研发的DAMO RADAR登上《Science》，标志着医学影像AI正式告别了长达十年的“单点专病”探索期，迈入了通用智能协同辅助的新时代。
十年前，Hinton看轻了医疗影像的极端复杂性；十年后，中国AI证明了技术与医学共融的正确解法：AI并非要取代医生，而是成为医生的“超级雷达”，让人类专家的智慧在算法的守护下更加敏锐、精准与普惠。
Loading...

没有找到文章