达摩院RADAR登上Science，覆盖腹部146种疾病

Science刊发了阿里达摩院联合浙江大学医学院附属第一医院等机构完成的研究，介绍通用腹部影像模型DAMO RADAR。该模型面向CT快速诊断，覆盖18种解剖结构和146种疾病，涉及肝脏、胰腺、胆囊、肾脏、脾脏及肠道等主要器官。此前，团队曾围绕胰腺癌、胃癌和肠癌等专病取得进展，并发表5篇Nature Medicine论文。

RADAR在近3.9万例真实世界连续病例上的平均AUC为0.913；在来自8家医院、超过2.4万例、涵盖不同地区和设备的外部数据上，AUC仍达到0.895。尽管训练目标不包含急诊场景，模型在2.7万例急诊CT上测试时AUC为0.904。以病理活检作为参照，对肝癌、胰腺癌、胃癌和肠癌进行验证时，AUC达到0.891至0.984。

人机对比测试纳入14家医院的26名放射科医生。针对同一批病例，RADAR的准确率超过其中23名医生，仅略低于3名资深医生。医生使用模型辅助阅片后，整体敏感度提升约10%，平均阅片时间缩短超过30%；初级医生结合AI后的敏感性甚至超过资深医生独立阅片。

与依赖逐张人工标注的传统监督学习不同，RADAR通过视觉—语言对比学习，从CT影像与诊断报告的对应关系中获取知识。团队提出器官级细粒度对齐，将整套CT拆分为肝脏、胰腺、肾脏等器官单元，再与报告中的相关描述匹配；同时采用自适应对比建模，让健康器官或同类疾病样本按照医学关系学习。论文中的Scaling Law显示，随着数据增加，模型性能仍未出现明显饱和。

临床医生认为，RADAR有望帮助发现被遗漏的病灶，尤其能为良恶性鉴别提供补充参考。不过，过度依赖AI可能削弱年轻医生建立影像判断能力。较可行的方式是让医生先独立完成报告，再用模型进行复核，把每个病例转化为交叉验证和学习过程。

该器官级框架未来还可迁移到MRI、PET和超声等模态。模型、代码及技术框架均已开源，项目地址为https://github.com/alibaba-damo-academy/damo-radar。研究显示，通用模型处理高精度、低容错的医疗影像任务具备现实可行性，也为其他专业场景的通用AI探索提供了参考。