财π新闻 综合《杭州日报》2026年9月20日报道，全球首个通读腹部CT的医疗AI模型由阿里巴巴达摩院与浙江大学医学院附属第一医院联合研发，名为DAMO RADAR，于2026年9月17日登上《科学》杂志。该模型打破了传统医疗影像AI专病专模的局限，能够覆盖18个解剖结构及146项影像学异常和征象，实现一次看懂整套腹部CT，其诊断准确性首次达到影像科专家级水平，目前该模型、核心代码及全套技术框架已全面开源。

突破传统“专病专模”技术路径

长期以来，医疗影像AI普遍采用“一病一模”的研发模式，单一模型仅针对一种疾病开展识别诊断，从立项研发到落地发布往往需要两三年时间。这类单病种AI就像善攻个别题型的学生，固定题型考试成绩优异，换一类题目便无从下手，面对复杂多样的真实临床病情作用有限。

DAMO RADAR不预先限定特定疾病，而是按腹部不同解剖区域逐一检查，将局部影像与对应医学报告内容匹配，判断器官出现的异常。这种方法减少了对逐病种人工标注的依赖，能直接利用医院积累的临床数据进行学习，大幅突破传统技术瓶颈。研究团队在国际上首创“器官级细粒度对齐”技术，让AI复刻专业阅片逻辑，将CT三维数据拆解为独立的器官级解剖单元，在器官层面实现影像数据与诊断报告文本的精准对齐，无需人工标注即可完成模型训练。

腹部CT素来被业内视为“最难读的CT”，一份腹部CT报告需要覆盖消化、泌尿等多个系统的数十个器官，即便是中高级医生，完成一份报告也需要20分钟至半小时，腹部器官多为软组织，密度相近，病灶识别难度极高。DAMO RADAR选择从腹部增强CT这一公认的复杂影像场景切入，正是为了验证通用医疗影像AI在高难度临床任务中的可行性。

多维度临床验证数据表现亮眼

为充分验证模型的实际性能，研究团队开展了多组覆盖不同场景的临床测试，各项核心指标均展现出稳定的高水平表现。在39160例内部真实病例验证中，模型在146项异常上的平均AUC达到0.913，AUC作为区分患病与健康样本的核心指标，数值越接近1代表区分能力越强，0.9以上通常代表较强的鉴别能力。

在8家外部医疗中心验证中，覆盖68至136项异常，平均AUC约为0.895，单中心测试结果处于0.874至0.912区间，均优于传统视觉-语言基线模型。在针对肝细胞癌、胰腺癌、胃癌和结直肠癌等有病理结果的病例中，AUC达到0.891至0.984，对恶性肿瘤的识别能力表现突出。在27267例急诊CT测试中，针对17种常见急腹症的平均AUC仍达0.904，即便面对初始训练之外的急诊场景，模型依然能展现出较高的泛化性能。

在涉及14家医院26名影像科医生的受控读片测试中，RADAR整体表现优于其中23名医生，即超过88%的医生。当医生使用该AI辅助阅片时，识别异常的敏感性提高约10个百分点，平均阅片时间缩短30.7%，低年资医生的诊断表现能够趋近高年资医生水平，仅特异性出现略有下降。

临床应用定位与后续发展方向

目前该模型更适合作为第二阅片者，提示可能遗漏的异常，最终由医生完成最终判断，其真正部署到医院后的实际效果仍需前瞻性临床研究验证。浙大一院放射科相关负责人表示，腹部CT诊断是最具挑战的影像科任务，长期缺乏一种通用的辅助诊断模型，DAMO RADAR首次实现了腹部多器官、多病种的高准确检出，能像“导航”一样为医生提供诊断支持，基层医院阅片量有限、医生临床经验相对不足，腹部CT阅片难度更大，这款AI落地基层后，有望助力一线临床诊断，帮助更多患者得到及时、准确的治疗。

该研究是达摩院医疗AI路线的延伸，此前该团队已开发多个单一疾病模型，重新利用现有CT进行筛查，包括2023年发表于《自然·医学》的胰腺癌模型PANDA，2025年发表于《自然·医学》的胃癌模型DAMO GRAPE，2026年发表于《肿瘤学年鉴》的结直肠癌模型DAMO COCA，以及同年8月发表于《自然·医学》的肝脏恶性肿瘤诊断模型DAMO LiON。RADAR的出现将模型任务从识别单一疾病转向系统读取整套影像，标志着医疗影像AI的技术路线正在发生重要转变。

相关研发团队表示，DAMO RADAR原生具有良好的泛化能力和通用性，其研究范式不仅可用于腹部CT的多病种识别，还有望应用于其他形态的医疗影像，这将加速通用人工智能在医疗领域的落地进程。此次DAMO RADAR登上《科学》并正式开源，使得这套面向多场景、多病种的医疗影像AI模型进入更广泛的研究和应用视野，树立了医疗影像AI的全新里程碑，推动医疗行业向通用人工智能时代迈进。

(编辑：吴淑娟)