达摩院 RADAR 登《科学》：单模型识别 146 种病症并开源

2026 年 9 月 18 日，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，登上国际顶级学术期刊《科学》（Science）正刊，并宣布正式开源。这不是又一个「专病专用」的影像小模型：它以单个模型同时读懂腹部增强 CT 的 18 个器官、146 种病症与影像征象，在近 4 万次真实世界检查中平均 AUC 达到 0.913，研究团队称其准确性首次达到影像科专家级水平。

一个模型，146 种病症

RADAR 全称 Rapid Abdominal Diagnosis with AI and Radiology，即「基于人工智能与放射学的快速腹部诊断」。之所以选腹部增强 CT，是因为它是公认最难啃的影像场景之一：一次扫描涉及数十个器官，真正有诊断价值的信息稀疏且高度依赖解剖上下文——同一个低密度影，长在肝脏还是长在胰腺，结论完全不同。这也正是放射科需要长期专业训练的科室。

覆盖范围：18 个解剖结构、146 种临床相关影像学表现，既包括恶性肿瘤等具体疾病，也包括各类影像学征象。

真实世界成绩：内部测试队列由独立时间段连续病例构成，含 39,160 次腹部增强 CT 检查，平均 AUC 0.913（95% 置信区间 0.911–0.915）。AUC 是区分患病与未患病的能力指标，1 为完美区分。

横向对比：同场景下表现最好的竞争性视觉-语言模型平均 AUC 仅 0.776，差距接近 14 个百分点。

关键突破：绕开人工标注这道墙

过去十年，医疗影像 AI 最大的瓶颈不是算力而是标注。要让模型学会看一种病，就得请放射科医生在成千上万张断层上逐帧勾画病灶，成本高、周期长，结果就是模型越做越「专」——一个模型只看一个器官的一种病，换家医院、换个扫描协议就失效。

RADAR 走的是视觉-语言学习路线，直接向原始临床报告要监督信号：训练数据为 424,911 例腹部增强 CT 检查，含 150 万图文对和超过 1500 万个解剖结构级别的配对，全程不依赖人工标注。技术上的巧思在于「解剖感知」——模型先把 CT 体积拆解到单个解剖结构，再把这个结构与放射报告中对应的描述对齐，用大规模对比学习拉近影像特征与文本特征的距离。换句话说，它学的是放射科医生描述和判断病灶的语言逻辑，而不是单纯的「框在哪里」。

人机对比：超过 26 名医生中的 23 名

论文中最有说服力的部分是人机对比试验。研究团队请来 26 名来自多家医院的放射科医生与 RADAR 同台读片，模型的平均准确率超过了其中 23 名医生。更贴近临床价值的数字是协同效果：

在 AI 提示下，放射科医生识别疾病的敏感性提高了 10%，也就是更少漏诊。

读片用时减少 30% 以上。

低年资医生在 AI 辅助下达到高年资医生的诊断水平——这对基层和急诊场景意义最大。

在未参与训练的急诊等分布外场景，模型 AUC 仍达 0.904，说明泛化能力是模型原生具备的，而非过拟合训练集。

💡

一句话看懂：RADAR 的意义不在于「AI 比医生强」，而在于它证明了医疗影像 AI 可以不用人工标注、不靠单病种堆模型，直接从一个通用模型达到专家级覆盖面——这是医疗影像走向基础模型路线的一次硬证据。

开源了什么

与很多「只发论文不开源」的医疗 AI 不同，达摩院这次把全套东西放出来了：代码在 GitHub（alibaba-damo-academy/damo-radar），预训练权重与配套数据在 Hugging Face（radar-generalist），代码另有 Zenodo 存档，许可协议为 CC BY-NC-SA 4.0，即允许非商业用途的研究复现与扩展。论文 DOI 为 10.1126/science.aec6129。

为什么这件事值得关注

第一，它把「通用医疗影像基础模型」从路线之争推向了可验证的实证。此前业界长期纠结于专病专模还是通用基础模型，RADAR 用 146 种病症的统一评估给出了通用路线的正面证据，并且可复现、可扩展。第二，它是体系化投入的产物而非单点运气——达摩院近三年在医疗 AI 方向拿下 5 篇《自然·医学》和十余篇其余顶刊论文，先后突破胰腺癌、胃癌、肠癌筛查与主动脉夹层预警，RADAR 更像把这些能力整合进同一个骨架。