通用型醫學影像AI模型登上《Science》正刊並已開源 阿里巴巴合作研發

由阿里巴巴達摩院與浙江大學醫學院附屬第一醫院等機構聯合研發的「DAMO RADAR」模型，於2026年9月發表於國際學術期刊《科學》(Science)正刊。該模型為針對腹部對比增強電腦斷層掃描(CT)所設計的通用型視覺-語言模型，能單次識別腹部18種解剖結構及146種病症，目前已完整開源。

技術架構與訓練機制

腹部CT掃描涉及消化、泌尿及生殖等多個器官系統，器官組織密度相近且病灶較分散。傳統醫療影像AI多採監督式學習，依賴大量手動標註，導致開發成本高且僅能應對單一疾病。

達摩院高級演算法專家張建鵬指出，專病模型開發週期長達二至三年，難以逐一涵蓋成千上萬種疾病；且直接套用傳統視覺-語言對齊方法，易使微小病灶信號被正常組織淹沒。為解決此問題，DAMO RADAR導入「器官級細粒度對齊」與自適應對比建模，模擬放射科醫師按器官排查的讀片邏輯，直接從影像與臨床報告的對應關係中學習，無需額外手動標註。

臨床驗證與協同效益

研究團隊進行了多中心臨床驗證：在近3.9萬例內部連續隊列中，DAMO RADAR的受試者工作特徵曲線下面積(AUC)達0.913；在8家外部醫療中心(逾2.4萬例)驗證中，AUC介於0.874至0.912。針對肝癌、胰臟癌、胃癌及大腸直腸癌等四種癌症的病理金標準評估，AUC達0.891至0.984。

此外，在2.7萬例未經專門訓練的急診CT測試中，模型AUC亦達0.904。

在包含14家醫院共26位放射科醫師的測試中，DAMO RADAR的獨立診斷準確率超越其中23位醫師。人機協同實驗顯示，AI輔助可將醫師的診斷敏感度提升約10%，平均閱片時間縮短30%以上。

專家觀點與未來應用

浙大一院放射科主任肖文波指出，腹部CT具備「同病異影、異病同影」的複雜性，醫師處理單例報告需耗時約20分鐘，AI能輔助降低良惡性判別時的漏診風險。針對年輕醫師可能產生技術依賴的疑慮，肖文波建議將RADAR作為「一對一帶教工具」，由醫師先獨立撰寫報告再透過AI自我檢測與交叉驗證。

達摩院資深演算法專家張靈表示，《Science》過去鮮少刊登醫學影像AI論文，RADAR通過嚴格審查，證實通用型醫學影像AI是一條具現實可行性的科學技術路線。

AI 教父 Geoffrey Hinton在 2016 年曾斷言「人們現在就應該停止培養放射科醫師」，並預測 5 年內 AI 在醫療影像識別上就會超越放射科醫師。十年過去後，放射科醫師非但沒有消失，人數反而增加。如黃仁勳所言，如今幾乎每一位放射科醫師都在以某種方式使用 AI 作為輔助。像 DAMO RADAR 這類新型通用影像模型，其定位也是作為醫師的「閱片助手」與帶教工具，協助降低漏診率與節省阅片時間，而非取代醫師。