DAMO RADAR（Rapid Abdominal Diagnosis with AI and Radiology）是由阿里巴巴達摩院（DAMO Academy）聯合浙江大學醫學院附屬第一醫院等機構共同研發的通用醫療影像大模型。該研究成果發表於《Science》正刊，並已在 GitHub 與 Hugging Face 完整開源權重與程式碼。

1. 核心亮點：從「一病一模」邁向「通用全景診斷」

過往醫療 AI 多採用專用模型（例如「單獨檢測胰腺癌」或「單獨檢測肝臟腫瘤」），在臨床實務中必須疊加數十個模型，計算資源消耗極大。DAMO RADAR 實現了醫學影像 AI 的範式轉移：

評估維度 DAMO RADAR 表現
覆蓋範圍 單次掃描即可識別腹部 18 種解剖結構 與 146 種常見/罕見病症（含肝、膽、胰、脾、腎、胃腸道等器官疾病與血管鈣化）
適用影像 專攻臨床上最複雜、資訊量最大的腹部增強 CT（Contrast-Enhanced Abdominal CT）
極端驗證 在肝癌、胰腺癌、胃癌、結直腸癌 4 大癌種的病理金標準驗證中，AUC 達 0.891～0.984

2. 技術架構：器官級精細對齊與無標註學習

RADAR 採用了視覺-語言多模態架構（Vision-Language Model, VLM），其訓練機制模擬了人類放射科醫師的真實閱片思維：

  • 1500 萬對影像-文本配對訓練：利用超過 40 萬例臨床腹部 CT 及其對應的去識別化診斷報告進行訓練，完全不依賴人工框選與逐框標註（Zero Manual Annotation），直接讓 AI 從文字報告與影像特徵中學會對應關係。
  • 器官級精細對齊（Organ-Level Fine-Grained Alignment）：醫師閱片時不會把整個腹部當作單一圖片，而是依序檢查肝、膽、胰、脾、腎。RADAR 先利用器官分割遮罩（Segmentation Masks）將 CT 影像切分為器官單元，再將各器官特徵與報告中針對該器官的描述精確對齊，顯著提升了複雜病灶的定位與判讀準確度。

3. 臨床驗證與人機協同數據

在多中心、跨醫院的大規模臨床評測中，RADAR 展現出極高的診斷穩定度與輔助價值：

  • 多中心驗證（Cohort Validation）：
  • 內部連續佇列（~3.9 萬例）：AUC 達 0.913。

  • 8 家外部醫院獨立驗證（>2.4 萬例）：AUC 保持在 0.874～0.912，證明其具備極佳的跨醫院、跨設備泛化能力。

  • 人機對比研究（Reader Study）：
  • 單機勝率：在與 26 位放射科醫師的盲測對比中，RADAR 的診斷準確率超越了其中的 23 位醫師。
  • 人機協同效果：當醫師將 RADAR 作為「第二審閱意見（Second Reader）」輔助閱片時，醫師群體的診斷敏感度（Sensitivity）平均提升約 10%，同時閱片時間縮短超過 30%。

4. 開源協議與部署價值

  • 開源授權：採用 Apache 2.0 協議，模型權重（Checkpoints）、推理 Demo、影像預處理指令碼均已公開於 GitHub。
  • 落地部署意義：因為具備開源且可本地運行的特性，醫療資源匱乏的基層醫院或偏遠地區診所，只需配置標準 GPU 工作站，即可部署這套工具作為急診分流（Triage）與漏診預警助手，無需負擔高昂的按次 API 費用或上雲數據隱私風險。