AI研究热点|阿里DAMO RADAR登上Science:一个模型覆盖146项腹部CT发现

◆DAMO RADAR覆盖18个腹部器官

阿里达摩院与浙江大学医学院附属第一医院等机构研发的DAMO RADAR论文发表于Science。官方GitHub仓库介绍，该模型面向增强腹部CT，训练数据超过40万次检查，包含约1500万组解剖相关图像—文本对，目标是对多个器官和多类临床发现进行统一分析。

公开报道显示，模型在接近4万次真实检查上对146项临床发现取得平均AUC0.913。AUC越接近1，表示模型区分阳性和阴性样本的能力越强，但这个聚合指标不能替代每项疾病、每个医院和每种扫描协议的单独结果。模型覆盖范围扩大以后，跨设备、跨人群和跨病种稳定性会成为部署中的关键问题。

◆从一病一模转向通用影像模型

传统医学影像AI常以单一疾病、单一器官或单一任务为目标，训练数据和临床验证范围相对明确。DAMO RADAR把增强CT和放射科报告结合起来，让模型从常规临床记录中学习多个器官与异常表现之间的关系，再用统一模型完成筛查和报告辅助。

这种路线减少了为每种疾病单独维护模型的需求，但也增加了标签质量、类别不平衡和错误解释的难度。一个模型可能在常见病种上表现稳定，在低频病变、特殊扫描参数或未覆盖人群上出现明显下降。医疗场景更关心漏诊率、外部中心验证、不同设备的一致性和医生工作流中的实际增益，而不是单一测试集上的平均分。

DAMO RADAR仓库以Apache-2.0许可公开代码，并提供训练、推理、预处理和外部测试集说明。代码开源方便研究机构复现实验和做本地适配，但模型权重、数据使用授权、临床合规和商业部署范围仍要以具体许可证和监管要求为准。论文发表和代码公开也不等于模型已经获得临床诊断资质。

◆公开评测还需要补上临床边界

如果要把这类模型用于医院系统，评估应从AUC扩展到病例级召回、不同病种的敏感度和特异度、阅片时间变化、医生是否采纳模型建议，以及错误结果能否被及时发现。还需要对扫描层厚、设备厂商、造影剂协议和患者群体做分层分析。

DAMO RADAR的价值在于展示了一种可公开研究的通用影像模型路线：先扩大任务覆盖，再用外部中心和医生读片研究检验泛化。下一步真正决定它能否进入临床的，是数据、模型输出和医生责任之间能否形成完整的证据链。

◆参考来源

• DAMO Academy官方仓库：《RADAR: An Expert-Level Generalist AI for Abdominal CT Diagnosis》：https://github.com/alibaba-damo-academy/damo-radar
• South China Morning Post：《Alibaba open-sources medical AI model that can detect cancer and nearly 150 conditions》：https://www.scmp.com/tech/big-tech/article/3368055/alibaba-open-sources-medical-ai-model-can-detect-cancer-and-nearly-150-conditions
• Science论文信息与数据存档：https://zenodo.org/records/21271172