达摩院DAMO RADAR登Science：一次CT识别146种病症

一句话总结：腹部增强CT拍一次，模型顺手筛出146种病，准确率摸到专家门槛，还直接开源了。你可以把它理解成手机从单摄换成全景扫描，以前一次只能盯一种病，现在一次把整个腹部扫完交卷。

这是达摩院和浙大一院等团队做的 DAMO RADAR，9月18日登上《科学》。说真的，医疗AI卷了这么多年，第一次有人把“通用”两个字真正兑现了。

先说结论：一次看全，分数够硬，还开源

先把三个数字摆出来，读完你就知道分量了。

一次识别146种病症，覆盖18个器官，含恶性肿瘤在内。不是挑两三个好做的病刷分，是把腹部CT里常见的疑难杂症一起考了。

近4万次真实世界检查中AUC达0.913。AUC你可以理解成“分清病人和正常人的本事”，越接近1越强，0.9以上基本就是专家区了。

论文与代码都已公开。论文见 Science 原文，代码在 GitHub 开源仓库能直接拿到。想复现、想引用数字的朋友，回原文核对一遍最稳。

腹部CT是影像科里最难啃的骨头之一。一次扫描卷进来几十个组织器官，潜在异常有几百种，医生得一层一层翻。

过去的AI解法很实在，也很笨：一病一模。看胰腺癌训一个，看胃癌再训一个，看主动脉夹层又训一个。每个模型都要吃大量人工标注，成本高、耗时长，换个医院、换个机器就可能水土不服。

你想啊，这就像请了100个专科医生挤在阅片室，每人只会看一种病，病人还得自己挂号分诊。病一复杂，人就对不上了。

达摩院这次换了条路，叫视觉-语言学习：让模型直接学影像和对应报告文本之间的关联，不再靠人一张一张画框标注。

难点在于CT信号很稀疏，整图粗对齐学不到东西。团队做了个在国际上首次用的策略：器官级细粒度对齐。

说白了，就是先把CT建成三维数据，再拆成一个个解剖单元，在组织器官层面让图像和报告文本精确对上号，配上自适应对比建模动态调整。哪个器官说了什么，模型就盯着哪里学。

好处很直接：无需额外人工标注，就能做到可扩展、多用途、可解释。不用堆标注员，也能越学越全。

论文里最刺激的是人机对比：模型和26名多家医院放射科医生同场比，平均准确率超过其中23名。

更值得看的是AI当助手的效果。在AI提示下，医生防漏诊的敏感性提高10%，用时减少30%以上，低年资医生直接够到了高年资医生的诊断水平。

浙大一院放射科主任肖文波的说法很形象，DAMO RADAR 能像导航一样给医生做诊断支持。你开车技术再好，长途也开个导航，不是不会开，是多个提醒更安心。

通用模型最怕“偏科+怯场”，换个场景就露馅。团队专门加了一场急诊考试。

结果是，面对初始训练之外的急腹症场景，AUC达到0.904。几乎没掉分。

这意味着它原生泛化能力不错，不是背题家。团队也点明了野心：这套范式不只用于腹部CT，还有望用到其他形态医疗影像上。

达摩院这几年一直在医疗AI里憋大招：胰腺癌、胃癌、肠癌筛查，主动脉夹层预警，三年拿下5篇《自然·医学》和10多篇其余顶刊论文。这次是第一次把多场景、多病种装进一个通用模型，还开源放出来。

我们以前熟悉的医疗AI，是“单项冠军”。DAMO RADAR想做的是“全科值班医生”：一次扫描，多器官、多病种一起检出，高准确，还讲得出依据。

结尾留个冷幽默吧。放射科医生以后阅片，可能是“AI先扫一遍，人再签字”。你别觉得医生变轻松了，导航普及之后，老司机反而接了更多远单。