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等机构研发的通用医疗影像AI模型DAMO RADAR，登上国际顶级学术期刊《科学》（Science）。面向腹部增强CT，这一模型可一次性识别超过146种病症，研究评估显示，其诊断准确性首次达到影像科专家级水平。目前，DAMO RADAR已正式开源。

这意味着，医疗影像AI正在经历一次重要变化：从过去针对单一疾病训练的“专病模型”，向能够同时处理多器官、多病种的通用模型迈进。

腹部CT，是临床影像诊断中公认较为复杂的一类检查。一张增强CT里，包含肝脏、胰腺、肾脏、胃肠道等多个器官，潜在异常和病变种类众多。过去的医疗AI往往采用“一病一模”的方式，一个模型解决一个特定问题。

这种模式的问题也很明显：模型训练需要大量经过医生标注的数据，研发成本高，而且面对真实临床中复杂、多变的情况，模型往往难以“举一反三”。

DAMO RADAR尝试换一种思路。

达摩院采用视觉-语言学习方法，让模型同时学习医学影像和对应诊断报告之间的关系。由于CT本身是三维数据，且医学影像中的有效信号较为稀疏，传统视觉-语言学习方法并不容易直接应用。

为此，研究团队提出“器官级细粒度对齐”策略，将CT三维数据拆解为不同解剖单元，在组织、器官层面让影像与报告文本进行更精准的对应，再通过自适应对比建模动态调整学习过程。与传统需要大量额外人工标注的训练方式不同，这套方法能够利用已有的影像和报告信息，让模型学习更多疾病特征。

最终，DAMO RADAR覆盖了包括恶性肿瘤在内的广泛腹部病症。研究团队对其中146种疾病、18个器官进行了评估。

在近4万次真实世界检查中，模型AUC达到0.913。AUC可以理解为模型区分患者与正常人的能力，数值越接近1，区分能力越强。

研究团队还让AI与26名来自多家医院的放射科医生进行对比。在相关测试中，DAMO RADAR的平均准确率超过其中23名医生。更重要的是，AI并不是要替医生看片，而是作为辅助工具：在AI提示下，放射科医生识别疾病的敏感性提高10%，诊断用时减少30%以上，低年资医生的诊断水平也达到高年资医生水平。

“腹部CT诊断是最具挑战的影像科任务，长期缺乏一种通用的辅助诊断模型。”浙大一院放射科主任肖文波表示，DAMO RADAR实现了腹部多器官、多病种的高准确检出，可以像“导航”一样为医生提供诊断支持。

模型的通用性，还在急诊场景中得到了一定验证。

研究显示，即使面对训练之外的急诊场景，DAMO RADAR在急腹症识别中AUC仍达到0.904。达摩院资深算法专家张灵表示，这一模型原生具有较好的泛化能力和通用性，相关研究范式未来不仅可以用于腹部CT多病种识别，也有望拓展到其他医疗影像领域。

从“一个模型看一种病”，到“一个模型同时看多个器官、多种疾病”，医疗影像AI的技术路线正在发生变化。对于医生而言，这类通用模型提供的并不只是一个“诊断答案”，而是从大量影像信息中提前发现异常、提示风险的辅助工具。

此次DAMO RADAR登上《科学》并正式开源，也让这套面向多场景、多病种的医疗影像AI模型进入更广泛的研究和应用视野。

事实上，达摩院在医疗AI领域已持续投入多年，曾围绕胰腺癌、胃癌、肠癌等消化系统肿瘤筛查，以及主动脉夹层预警等方向开展研究。过去三年，其相关研究先后发表5篇《自然·医学》论文及10多篇其他顶级期刊论文。

如今，医疗AI正在从解决一个个具体疾病问题，向处理更复杂、更接近真实临床环境的通用任务迈进。DAMO RADAR的出现，也让“医疗影像通用模型”从实验室里的技术探索，进一步走向开放研究和实际应用。