DAMO RADAR:一次读懂146种病的AI
欢迎来到从零开始学AI！先问你一句，如果做一次CT，就能顺手查出上百种病，你敢信吗？
以前我也不敢信。但9月18日，阿里巴巴达摩院和浙大一院一起，把论文登上了《科学》，还把模型开源了。
模型的名字叫DAMO RADAR，开源地址已经放在GitHub上，谁都能去下载。
在讲它之前，我们先把一个概念讲清楚，腹部CT到底难在哪。
腹部CT是临床里最复杂的影像之一，一张片子里挤着几十个组织器官，藏着几百种可能的异常。
肝、胰腺、肠子、血管全叠在一起，一个小阴影，可能是肿瘤，也可能只是血管的切面。
而以前的医疗AI，大多是一个模型只看一种病，今天看肺结节，明天换个模型看胰腺癌。
这就像一家医院里全是专科医生，每个只会看自己那一科，病人得一个科一个科地挂号。
更麻烦的是，每个专科医生都要单独培养，得喂大量人工标注的数据，又贵又慢。
所以这一次，达摩院想培养的不是专科医生，而是一个腹部CT的全科医生，一次看懂146种病。
具体数字是，覆盖18个器官，评估了其中146种病症，包括好几种恶性肿瘤。
那全科医生是怎么练出来的？靠的是一种叫视觉-语言学习的方法。
说白了，就是让AI一边看CT影像，一边读医生写的报告，自己琢磨两者是怎么对应的。
看多了，它就知道报告里写的肝脏占位，在片子上大概长什么样。
但这里有个坑，CT数据信号很稀疏，整张图囫囵吞进去学，效果一直不好。
当事工程师张建鹏自己复盘时说，团队这次换了一个办法，叫器官级细粒度对齐。
打个比方，以前是整桌菜一起上，让AI猜哪道菜对应菜单上的哪一行。
现在是先把CT切成一个个器官小块，肝归肝，胰腺归胰腺，再去对照报告里讲的是哪一块。
颗粒度变小了，对应关系就变准了，还不用额外请人重新标注。
再加上自适应对比建模，模型自己会调整不同器官、不同病症的学习力度，难的病例多看两眼。
概念讲完了，我们回到这次的成绩单，数字都很硬。
在近4万次真实世界检查里，它的AUC达到0.913，AUC越高，区分病人和健康人的能力越强，1就是满分。
论文里还做了一场人机对比，26名来自多家医院的放射科医生，和它同场看片。
结果是，它的平均准确率超过了其中23名医生，第一次有通用模型摸到了专家级水平。
更关键的是带医生的效果，有了AI提示，医生识别疾病的敏感性提高了10%，也就是漏诊变少了。
看片用时还减少了30%以上，低年资医生直接达到了高年资医生的诊断水平。
浙大一院放射科主任肖文波说，腹部CT是最具挑战的任务，这个模型能像导航一样给医生指路。
导航这个比喻很准，它不替医生开车，但在复杂路口提前说一句，前方注意。
还有一个亮点是泛化能力，训练时没见过的急诊场景，它也没掉链子。
在急腹症上，AUC达到0.904，急诊半夜送来的病人，同样能接住。
达摩院资深算法专家张灵说，这个研究范式不只适用于腹部CT，还可能搬到其他形态的医疗影像上。
其实达摩院在医疗AI里泡了很久，胰腺癌、胃癌、肠癌筛查，还有主动脉夹层预警，都做过突破。
三年里拿了5篇《自然·医学》，还有10多篇其他顶刊，这次登上《科学》，算是攒了个大的。
这次不一样的是，以前是一个模型打一个病，这次是一个模型拿下多场景、多病种，还开源。
开源意味着更多医院和研究团队可以在上面接着改，往自己科室的真实需求上靠。
不过也要说句实在话，146种是评估过的数量，片子之外的问诊、化验、病史，还是得医生来综合判断。
对，AI现在是把最累的初筛和对照做了，医生腾出手来做更难的决策。
所以最有意思的恰恰是那个数字，低年资医生在它的提示下，看出了高年资医生的水平。
厉害的不是AI超过了23名医生，而是第二十四名、第二十五名医生，以后可能不用再熬那么多年了。感谢收听从零开始学AI，把这期转给那个总陪家人跑医院的朋友吧，我们下期见！
下期见！