一次CT扫描，筛查146种疾病：AI影像诊断迎来里程碑
2026年9月18日，阿里巴巴达摩院（DAMO Academy）研发的通用型医学影像AI系统 DAMO RADAR 正式发表于国际顶级学术期刊《Science》。这项研究显示，RADAR 仅需一次腹部增强CT扫描，即可同时筛查 18个器官、146种疾病，在头对头对比研究中，其平均诊断准确率超过了26位专业放射科医生中的23位。
更值得关注的是，该模型的代码已在 GitHub 和 HuggingFace 上以 Apache 2.0 许可协议免费开放，模型权重以 CC BY-NC-SA 4.0 协议发布，允许科研用途免费使用。这意味着全球任何一家医院或研究机构，都可以立即下载并使用这套系统。
为什么这项研究如此重要？
过去十年，医学影像AI的主流思路是「专病专用」：一个模型只负责识别肝脏病灶，另一个只筛查胰腺肿块，第三个只判断阑尾炎。每个模型都需要大量精细标注的训练数据，且对训练范围之外的疾病「视而不见」。这种模式导致市场高度碎片化，医院需要为每种疾病类别单独付费购买不同的AI工具。
RADAR 彻底打破了这一架构。它在一次CT扫描中覆盖18个器官、146种疾病，在8个独立临床中心、约4万例真实世界检查中完成外部验证，平均AUC达到0.913。AUC是衡量诊断试验区分患病与非患病人群能力的指标：1.0为完美，0.5为随机猜测，而0.9以上通常被视为「卓越」级别。RADAR 的表现稳稳处于这一卓越区间。
技术突破：器官级精细对齐
CT影像是三维且稀疏的——在典型的腹部增强CT中，绝大多数体素是正常组织，病灶往往很小且仅占扫描体积的一小部分。传统的视觉-语言模型（VLM）将整张图像与整份报告对齐，产生的训练信号过于粗糙，难以可靠定位病变。
达摩院团队的解决方案是器官级精细对齐：
- 首先将每个CT体积按器官逐一分解——肝脏、肾脏、脾脏、肠道、胰腺等18个结构；
- 然后将每个解剖单元与配对放射学报告中对应的句子精准匹配；
- 再通过自适应对比学习策略，适应不同放射科医生对同一发现的不同表述方式（如「轻度肝大」「肝脏增大」「肝大，轻度」）；
最终，模型在 42万例腹部增强CT、1500万对解剖感知图像-文本对 上完成训练——这一数据规模此前仅用于自然语言基础模型，如今首次应用于三维医学影像。整个训练流程无需额外人工标注，仅依赖医院档案中已有的放射学报告。
超越多数放射科医生，更让团队整体变强
《Science》论文中最引人注目的是一项正式读者研究：RADAR 的输出与来自多家机构的26位专业放射科医生（涵盖初级住院医师到主治医师）的独立评估进行对比。结果显示，RADAR 的平均诊断准确率超过了其中23位医生。
但更具临床意义的发现是：当 RADAR 作为「AI第二读者」辅助放射科医生工作时——
- 疾病检测敏感度提升约10个百分点（即更多真阳性病例被及时发现）；
- 每例阅片时间缩短超过30%；
- 初级放射科医生在AI辅助下，诊断准确率可达到资深医生独立工作时的水平。
这一点对缓解全球放射科医生短缺至关重要。据研究预测，到2050年全球将面临75万名放射科医生缺口。RADAR 让初级医生达到资深水平、让资深医生效率更高，同时从「能力」和「速度」两个维度回应了这一危机。
目前还不能做什么？
需要明确的是，RADAR 目前仅针对腹部增强CT训练和验证——即扫描前需静脉注射造影剂的特定成像方案。以下场景暂不在验证范围内：
- 非增强CT（广泛用于急诊筛查和人群健康项目）；
- 不同造影时相（动脉期、门静脉期、延迟期）；
- 儿科影像；
- 其他身体部位（如胸部X光、脑部MRI等）。
医院目前不能用 RADAR 来筛查胸片、脑部MRI或非增强腹部检查。此外，模型权重采用 CC BY-NC-SA 4.0 许可，禁止未经单独协议的商业部署。
对普通患者意味着什么？
短期内，RADAR 的开源将加速全球医院和研究机构对通用型影像AI的测试与部署。对于需要腹部CT检查的患者而言，未来可能体验到：更快的报告出具速度、更一致的诊断质量（尤其在基层医院），以及更早发现潜在病变的机会。
当然，AI不会取代医生。RADAR 的定位是「第二读者」——帮助医生看得更快、更准，而不是替代医生的临床判断。
关注自身健康指标，是预防疾病的第一步。小树健康 App 可同步苹果【健康】追踪相关指标，帮助你记录体重、血压、血糖等数据，配合定期体检和影像检查，构建完整的个人健康档案。