阿里达摩院通用影像AI模型登Science，腹部诊断准确率超多数医生

医疗影像AI长期困在专用模型里，一个病种往往需要两三年攻关，而人类疾病成千上万。更棘手的是，真实世界中一份CT影像里可能同时存在多种器官、多种病变。阿里达摩院联合浙大一院等全球多家医院，向临床公认最难的腹部CT发起冲击，研发出全球首个专家级通用影像AI模型DAMO RADAR，相关研究正式刊发于学术期刊Science，模型、代码、框架全部开源。

DAMO RADAR全称Rapid Abdominal Diagnosis with AI and Radiology，覆盖18种解剖结构、146种疾病，涵盖肝脏、胰腺、胆囊、肾脏、脾脏、肠道等主要器官。浙大一院放射科主任肖文波介绍，年轻医生通常最害怕被分到腹部组，因为腹部涉及消化系统、泌尿系统、生殖系统，肝胆胰脾肠道全挤在一起，所有器官几乎都是软组织，密度接近，全靠肉眼对密度差的敏感度揪出病灶。此前已有针对肺结节等部位的AI辅助工具，但腹部一直被视为禁区。

团队进行了严格的多层验证。在内部近3.9万例真实世界连续队列中，RADAR的平均AUC达到0.913；在来自8家外部医院的超过2.4万例CT上，AUC仍达到0.895。AUC是衡量诊断模型区分患者和正常人能力的指标，超过0.9即属优异。RADAR还泛化到了急诊场景，尽管训练目标并未包括急诊，但在2.7万例急诊数据上测试，AUC依然有0.904。

在肝癌、胰腺癌、胃癌、肠癌四种癌症上，团队以病理活检结果作为金标准进行拔高测试，RADAR的AUC仍达到0.891至0.984。共有来自14家医院的26名放射科医生参与对比，在同一批病例上各自独立诊断，RADAR的准确率超过了其中23名医生，仅稍弱于3名资深医生。人机协同测试显示，医生在有AI帮助的情况下读片，整体敏感度提升约10%，平均阅片时间减少30%以上，“初级医生+AI”的配置敏感性甚至超过资深医生独自阅片。

与过去依赖医生逐张标注CT图像的监督学习不同，RADAR走了一条视觉-语言对的新路径，降低了标注成本，并使模型能够识别未被逐一标注的多种疾病。达摩院高级算法专家张建鹏表示，过去一个病种啃下来至少两三年，照此速度一辈子都搞不完，通用模型成为必然选择。