9 月 18 日凌晨，阿里巴巴达摩院与浙江大学医学院附属第一医院等机构联合研发的通用医疗影像 AI 模型 DAMO RADAR 发表于《科学》（Science），同日宣布开源。该模型面向腹部增强 CT 诊断，可一次性识别超过 146 种腹部病症，覆盖 18 个器官，研究团队称其准确性首次达到影像科专家级水平。
[1][2]这项工作的背景是医疗影像 AI 长期困在“一病一模”里：每个模型针对一种疾病、依赖大量人工标注，成本高且难以应对真实临床的复杂情况。腹部增强 CT 是公认最复杂的影像场景之一——一张扫描里包含肝脏、胰腺、肾脏、胃肠道等多个器官，潜在病变数百种。DAMO RADAR 换了一条路线：采用视觉-语言学习，让模型直接学习海量 CT 影像与对应诊断报告之间的内在关联，无需额外人工标注；针对 CT 信号稀疏的问题，研究团队提出“器官级细粒度对齐”策略，把三维 CT 拆解为解剖单元，在组织与器官层面实现影像-文本的精准对应，再用自适应对比建模动态调整。
论文数据（团队报告口径）包括：在近 4 万次真实世界检查中，模型 AUC 达 0.913（区分患者与正常人的能力，1 为完美）；在 8 家外部医院超过 2.4 万例的验证中 AUC 保持 0.895；面对未训练过的急腹症场景，2.7 万例测试 AUC 仍达 0.904。人机对比方面，研究团队称模型与 26 名来自多家医院的放射科医生比较，平均准确率超过其中 23 名；在 AI 提示辅助下，医生识别疾病的敏感性提高约 10%，阅片用时减少 30% 以上，低年资医生达到高年资医生的诊断水平。
需要交代口径：以上数字来自团队论文与发布材料，属研究与医院联合报告，尚未经独立机构复测；AUC 与“专家级”的表述建立在论文定义的评测与数据集之上。这类模型在临床上定位为辅助工具——浙大一院放射科主任肖文波把它比作阅片导航——而不是取代诊断决策。
对行业而言，真正的信号是范式变化：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”，并且开源。达摩院过去三年在医疗 AI 方向已发表 5 篇《自然·医学》及十余篇其他顶刊论文，此次把通用模型的权重与训练范式公之于众，意味着后续团队可以在其基础上验证、迁移到 MRI、超声等其他影像模态。医疗影像 AI 的竞争，正在从拼单病种精度转向拼通用性与数据效率。
[1][2]