知识卡片：AGI 最难一战在医院？DAMO RADAR 登上 Science 的通用腹部影像 AI

一句话结论

文章称，阿里达摩院联合浙大一院等团队的通用腹部影像 AI 模型 DAMO RADAR 登上 Science，能用单模型覆盖腹部 18 种解剖结构、146 种病，并在多项验证中取得较高 AUC；但临床部署、监管审批、长期影响等仍待核实。

事件概述或研究问题

医疗影像 AI 长期多集中在肺结节等专病或专用模型上，腹部 CT 因器官多、软组织密度接近、病变复杂，被视为临床公认最难的影像场景之一。文章称，达摩院联合浙大一院等全球多家医院向腹部 CT 发起冲击，目标是用一个通用模型一次性识别腹部多种疾病，而不是继续按病种逐个开发模型。该研究被 Science 正式刊发，文章称 Science 极少发医疗影像 AI 文章，此次审稿人开始将其作为“科学问题”对待。

方法/产品要点

• 模型名称：DAMO RADAR，全称 Rapid Abdominal Diagnosis with AI and Radiology，面向腹部快速诊断。
• 覆盖范围：18 种解剖结构、146 种病，涵盖肝脏、胰腺、胆囊、肾脏、脾脏、肠道等主要器官。
• 学习路线：采用视觉-语言对比学习，从 CT 影像与对应诊断报告文本的对应关系中学习，不依赖医生逐片标注。
• 核心设计一：器官级细粒度对齐。先从 CT 中定位肝脏、胰腺、胆囊、肾脏等器官，把整套 CT 拆成器官单元，再与报告中对应描述精确对齐。灵感来自放射科医生逐个器官阅片的工作方式。
• 核心设计二：自适应对比建模。根据医学知识动态调整样本距离，例如两个健康肝脏不应被严格割裂，同一种病的两个患者影像特征应放在一起学习。
• Scaling Law：论文展示的 Scaling Law 曲线显示，随着数据增长，模型性能仍在持续上升，未出现饱和迹象。
• 开源：文章称模型、代码、技术框架已全部开源，开源地址见原始材料。

主要结果或产业意义

• 内部验证：在近 3.9 万例真实世界连续队列中，RADAR 平均 AUC 达到 0.913。
• 外部验证：在来自 8 家外部医院的超过 2.4 万例 CT 上，覆盖不同地区、不同扫描设备，AUC 达到 0.895。
• 急诊泛化：训练目标未包括急诊，但用 2.7 万例急诊数据测试，AUC 仍达 0.904。
• 病理金标准测试：在肝癌、胰腺癌、胃癌、肠癌四种癌症上，以病理活检结果为 Ground truth，AUC 达 0.891–0.984。
• 人机对比：来自 14 家医院的 26 名放射科医生参与，RADAR 准确率超过其中 23 名医生，只稍弱于 3 名资深医生。
• 人机协同：医生在有 AI 帮助时，整体敏感度提升约 10%，平均阅片时间减少 30% 以上；“初级医生+AI”的敏感性甚至超过资深医生独自阅片。
• 临床反馈：浙大一院放射科主任肖文波称，科室医生看到验证数据后反应强烈，很多医生催着部署；外部医院医生也前来咨询，希望解决腹部 CT 难题。
• 产业意义：文章认为，RADAR 证明通用医疗影像 AI 是一条具有现实可行性的技术路线；其器官级对齐框架也适配 MRI、PET、超声等其他影像模态，只要有相关数据即可迁移。

为什么重要

医疗是对精度要求最极端、对错误容忍度最低的场景之一，误判可能改变治疗方案甚至生存期。若通用 AI 能在腹部 CT 这种复杂场景中跑通，文章判断，换到其他高精度场景大概率也能适用。同时，该研究进入 Science 同行评议视野，被文章视为对“通用 AI 啃最硬骨头”这一可能性的确认。

与已有卡片的关系：已有卡片更多关注 AI 治理框架、AI 研究趋势与 LLM 网关基础设施；本卡片补充的是医疗高精度场景中的通用模型落地案例，增量在于展示通用影像 AI 从专病模型向跨器官、跨病种推进，并登上 Science。

局限与不确定性

• 文章未提供监管审批、临床部署规模、前瞻性随机对照、患者结局改善等数据，待核实。
• 人机对比与人机协同测试的详细设计、统计显著性、样本选择偏倚等，材料未展开，待核实。
• 成本、算力需求、部署维护、数据隐私合规、医生-AI 责任划分等，材料未说明，待核实。
• 对年轻医生培养的影响属于受访者观点与担忧：AI 可能提高报告水平，但若形成路径依赖，可能截断影像逻辑思维的培养路径；长期影响需研究验证。
• 急诊场景为事后测试，并非训练目标中包括急诊；实际急诊部署效果待核实。
• MRI、PET、超声等迁移目前是展望，尚需数据与验证，待核实。
• 论文正式英文标题、开源许可与维护状态，待核实。

可用于图书/PPT/简报的角度

• 医疗 AI 从“专病模型”走向“通用模型”的范式转变。
• 为什么腹部 CT 是影像 AI 的硬骨头：多器官、软组织密度接近、同病异影/异病同影。
• 视觉-语言对比学习与器官级细粒度对齐：如何利用报告文本降低标注成本。
• 人机协同的量化收益与医生培养悖论：AI 是助手、带教工具，还是路径依赖风险？
• 开源通用医疗模型对产业生态、复现门槛和迁移应用的影响。
• Science 对医疗影像 AI 作为“科学问题”的认可信号。
• 高精度医疗场景作为通用 AI 能力试金石的叙事框架。

原始材料

• 原始文章标题：AGI最难一战，竟在医院！中国AI登上Science，医生不怕失业还催着上线
• 来源：量子位（QbitAI），作者：克雷西，发布时间：2026-09-18 14:11:06
• 原文 URL：https://www.qbitai.com/2026/09/491875.html
• 论文链接：https://www.science.org/doi/10.1126/science.aec6129
• 开源地址：https://github.com/alibaba-damo-academy/damo-radar
• 英文标题/名称：DAMO RADAR: Rapid Abdominal Diagnosis with AI and Radiology（论文正式英文标题待核实）
• 英文关键词：DAMO RADAR, Rapid Abdominal Diagnosis with AI and Radiology, Science, AUC, visual-language contrastive learning, organ-level fine-grained alignment, adaptive contrastive modeling, Scaling Law, abdominal CT, radiology AI
• 原始来源：量子位文章；Science DOI；GitHub 开源仓库。