由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「DAMO RADAR」模型，于2026年9月发表于国际学术期刊《科学》(Science)正刊。该模型为针对腹部对比增强电脑断层扫描(CT)所设计的通用型视觉-语言模型，能单次识别腹部18种解剖结构及146种病症，目前已完整开源。

技术架构与训练机制

腹部CT扫描涉及消化、泌尿及生殖等多个器官系统，器官组织密度相近且病灶较分散。传统医疗影像AI多采监督式学习，依赖大量手动标注，导致开发成本高且仅能应对单一疾病。

达摩院高级演算法专家张建鹏指出，专病模型开发周期长达二至三年，难以逐一涵盖成千上万种疾病；且直接套用传统视觉-语言对齐方法，易使微小病灶信号被正常组织淹没。为解决此问题，DAMO RADAR导入「器官级细粒度对齐」与自适应对比建模，模拟放射科医师按器官排查的读片逻辑，直接从影像与临床报告的对应关系中学习，无需额外手动标注。

临床验证与协同效益

研究团队进行了多中心临床验证：在近3.9万例内部连续队列中，DAMO RADAR的受试者工作特征曲线下面积(AUC)达0.913；在8家外部医疗中心(逾2.4万例)验证中，AUC介于0.874至0.912。针对肝癌、胰脏癌、胃癌及大肠直肠癌等四种癌症的病理金标准评估，AUC达0.891至0.984。

此外，在2.7万例未经专门训练的急诊CT测试中，模型AUC亦达0.904。

在包含14家医院共26位放射科医师的测试中，DAMO RADAR的独立诊断准确率超越其中23位医师。人机协同实验显示，AI辅助可将医师的诊断敏感度提升约10%，平均阅片时间缩短30%以上。

专家观点与未来应用

浙大一院放射科主任肖文波指出，腹部CT具备「同病异影、异病同影」的复杂性，医师处理单例报告需耗时约20分钟，AI能辅助降低良恶性判别时的漏诊风险。针对年轻医师可能产生技术依赖的疑虑，肖文波建议将RADAR作为「一对一带教工具」，由医师先独立撰写报告再透过AI自我检测与交叉验证。

达摩院资深演算法专家张灵表示，《Science》过去鲜少刊登医学影像AI论文，RADAR通过严格审查，证实通用型医学影像AI是一条具现实可行性的科学技术路线。

AI 教父 Geoffrey Hinton在 2016 年曾断言「人们现在就应该停止培养放射科医师」，并预测 5 年内 AI 在医疗影像识别上就会超越放射科医师。十年过去后，放射科医师非但没有消失，人数反而增加。如黄仁勋所言，如今几乎每一位放射科医师都在以某种方式使用 AI 作为辅助。像 DAMO RADAR 这类新型通用影像模型，其定位也是作为医师的「阅片助手」与带教工具，协助降低漏诊率与节省阅片时间，而非取代医师。