中国AI登顶Science，全球首个专家级通用影像AI来了

2016年，AI教父Hinton预言五年内AI将胜过放射科医生，建议停止培养放射科医生。10年过去，AI并未攻下放射科。医疗对精度要求苛刻，对错误和幻觉容忍度极低，医疗影像AI做了十年仍困在“专病专模”里。

9月18日，阿里巴巴达摩院与浙江大学医学院附属第一医院研发的DAMO RADAR登上Science正刊，能一次性识别超过146种病症，聚焦最难分辨的腹部，AUC达0.913，首次达到影像科资深医生水平，是全球首个专家级通用影像AI模型。

达摩院医疗AI并非从RADAR开始。2020年初新冠疫情暴发，达摩院算法专家两周内开发出新冠肺炎CT辅助诊断模型，服务国内外近600家医疗机构，分析超80万例CT。此后团队瞄准癌症。2023年，DAMO PANDA登上Nature Medicine，从平扫CT筛查胰腺癌，在20,530人回顾性验证中发现31例此前漏诊病变。2025年，DAMO GRAPE发表于Nature Medicine，将平扫CT机会性筛查推进到胃癌，覆盖20家医院近10万人。2026年，DAMO COCA发表于Annals of Oncology，转向结直肠癌，在27,433人研究中发现5例既往遗漏病例。同年，达摩院推出食管癌模型DAMO EAGLE，无需插管和造影，从平扫CT识别食管癌。这四把“尖刀”盯住单一癌症，但每增加一种疾病，周期再快也要两三年。

RADAR不是专病模型的合并。专病模型像狙击枪，RADAR更像雷达，先扫整个腹部。腹部涉及多个系统，几乎所有器官挤在同一组影像里，一次增强CT包含多个期相、每期相上百幅图像。浙大一院放射科主任肖文波称，年轻医生最害怕进腹部组。业界曾尝试视觉-语言学习方法，但腹部结构复杂、病灶稀疏，模型容易走捷径。达摩院算法专家张建鹏从医生读片方式获得灵感：按器官逐个排查。RADAR将腹部拆成不同解剖单元，让每个器官与报告对应描述对齐，通过定位、对齐、比较正负提示词与影像相似度，生成热力图提示病灶风险。

内部真实世界测试中，RADAR接受39,160次测试，146项病症平均AUC达0.913。8家外部医疗中心验证中，覆盖68到136项病症，平均AUC约0.895。两个以病理为金标准的队列中，面对肝细胞癌、胰腺癌、胃癌和结直肠癌，AUC达0.891到0.984。读片测试中，RADAR与14家医院26名影像科医生对比，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。

肖文波介绍，RADAR帮助医生将敏感性提升10%，平均阅片时间缩短30.7%。浙大一院放射科一天四五千例CT，腹部CT读片难度大，资深医生也需20-30分钟。她设想医生先独立判断，AI复核，再对比分析，医生不能交出方向盘。RADAR目前只完成回顾性实验，还需前瞻性实验，未达专病模型成熟度。达摩院资深算法专家张灵表示，RADAR初步证明通用影像AI可能性，能力还未被完全挖掘，可能随Scaling Law进一步上升，因此选择开源，希望行业共同推动通用影像AI走向成熟。