Science刊登中国研究：AI一次看146种病，医疗GPT时刻快来了？

撰文｜李珊珊

“一个年轻的放射科医生最怕进哪个组？”

“那肯定是腹部组。”

浙江大学医学院附属第一医院放射科主任肖文波的一句日常调侃，道出了腹部CT诊断的难度。多个器官挤在同一张影像里，上百种病变可能同时出现。对放射科医生而言，腹部CT一直是最考验阅片经验的场景之一。

现在，AI开始进入这片“禁区”。

一项9月18日发表于Science的研究显示：由阿里巴巴达摩院联合浙江大学医学院附属第一医院等机构研发的通用医疗影像AI模型DAMO RADAR，在面向腹部增强CT诊断中能够一次性识别超过146种病症，平均AUC达到0.913，首次达到影像科专家水平，并将对外开源。

在一项涵盖14家医疗机构、26名放射科医生的人机测试中，除3名资深医生外，其余医生的表现均不及RADAR。而在人机协作诊断中，当一位来自基层医院、资历尚浅的年轻医生，获得一款新型AI助手的协助后，其诊断敏感度提升了10%。这让他轻松超越了同院的资深前辈，甚至抹平了与顶级三甲医院主任医师之间长达几十年的经验鸿沟。

事实上，RADAR带给医学界的震撼远不止于此。通过复杂的腹部影像诊断，它开始回答一个更宏大的命题：用于医疗诊断的AI能否不挑器官，不挑病种，不挑场景，从而实现通用？

这个问题的背后，是医学影像AI一直没有解决的困境。

从IBM Watson、DeepMind到OpenAI，每一代AI巨头都要进入医疗。医疗场景对准确率的极致要求，注定是检验通用智能能否进入现实世界的终极压力测试之一。影像是医学AI率先瞄准的方向，深度学习之父Geoffrey Hinton在2016年就公开预言：“人们现在就应该停止培养放射科医生。”

但十年过去，影像AI依然进展缓慢，虽然出现了一些精度超过人类医生的专病模型，但迟迟没有迎来预言中的AI影像医生。

核心在于，专病模型的研究范式面临巨大挑战：一个疾病训练一个模型，开发周期漫长、人工标记成本高昂、跨场景泛化能力羸弱。此外，面对分诊不那么明确、器官相互遮掩、合并症频发的真实就诊场景，专病模型的使用场景大受局限。大家都在期盼一个通用医疗影像AI的GPT时刻。

为了攻克腹部CT这座高山，达摩院研究团队选择一场底层的“自我革命”，突破了原先在专病种模型领域已经得心应手的技术范式，利用分割建模、器官级对齐，并依托远超同行的数据规模，让RADAR彻底摆脱对繁琐人工标注的依赖。

图源：An expert-level generalist AI for abdominal CT diagnosis,Science

在覆盖18个器官、146种病症的全面测试中，RADAR完成了从“被动识别单点病灶”到“通用化理解解剖与疾病全貌”的跨越，实现了第一个真正达到专家级水平的通用医疗影像AI模型。

2023年11月，达摩院团队在《Nature Medicine》杂志刊发研究论文，通过“平扫CT+AI”的结合，模型可以准确识别早期胰腺癌病变。该杂志当时配发的评论文章指出，一个医疗影像AI的黄金时代已准备就绪。

如今，又经过三年努力，这个团队和医生们迎来了从专病医疗影像AI到通用医疗影像AI的重大跨越。加上模型的开源，这或许会是医疗AGI时代的一缕曙光。

做不完的单病种AI和看不完的CT影像

“按照这个速度，是不是一辈子都做不完？”

这个问题，曾经长时间萦绕在达摩院高级算法专家张建鹏心头。

在外界看来，过去五年，达摩院团队在单病种AI上接连突破：从肺癌、胰腺癌（PANDA），到胃癌（GRAPE）、肠癌（COCA），以及最近刚刚发表的关于肝癌（LiON）和食道癌（EAGLE）的工作。数据标注、模型训练、发论文、出产品，单病种研发路径已经跑通。

团队却始终心有不甘，每结项一个疾病，意味着熬过了几个月高强度的数据标注与模型训练。一个病种往往要两三年，可人类疾病成千上万；更何况，真实临床里，患者的CT常常同时存在多器官、多种异常的合并症。

“我们开始特别强烈地意识到：如果一直沿着‘一个疾病训练一个模型’的路线走下去，可能一辈子都是做不完的。”张建鹏告诉《知识分子》，“即使一个项目做成功了，我们解决的也只是很小的一部分问题。”

单病种AI做得越熟练，这种“重复造轮子”的无力感就越强。如果医学AI永远是一个个孤立的系统，什么时候才能真正进入临床主流程？

他和同事们反复追问自己：“有没有一种可能，AI不是每次只学一个病，而是真正开始学习‘医学影像本身’？”医学AI，是不是需要一种完全不同的范式。

距离达摩院不远的浙大一院放射科，科室主任肖文波这样形容自己科室：“我们科还蛮大的，300人出头，70多台设备。每天可能有七八千的病人流量。”这几年CT设备越来越普及，辐射剂量降了下来，大众也越来越重视早诊早治，放射科的门诊和体检量涨得很快。仅CT检查一项，肖文波所在的科室每天就四五千例。

如山的阅片工作量随之而来。早上，医生们还能保持清醒、反应敏捷，可报告写得越多，人也越疲惫。"到下午的时候，可能身心就很疲惫了，脑子反应没那么快了。"肖文波坦言。

但这份工作容不得半点差错。肖文波常告诫科里的年轻医生，阅片时要站在患者的角度想：“如果是一个小肿瘤，你漏了，等过半年、过一年，它长得很大了，这个治疗方案完全是不一样的，生存期完全是不一样的。”

医生们需要工具来分担这种压力，现实却很骨感。

医学AI听起来很热闹，比如肺结节领域已经有了不错的应用，但一旦离开这些单一器官，面对人体最复杂的区域，依然没有一个好用的AI能帮他们检出病灶。

这个让所有年轻影像医生都感到害怕、没有任何AI可用、只能靠肉眼在灰暗的屏幕前苦苦排雷的区域，正是腹部CT。

从影像医生的“噩梦”入手

腹部CT为什么这么难？

肖文波解释：“它的器官和系统特别多，都堆在一起。”整个腹部盘绕着肠道，里面有消化系统、肝胆胰脾，还有泌尿系统、生殖系统。

“所有的腹部器官几乎都是软组织，大家密度都是差不多的，看起来都是灰灰的。”要在这样缺乏对比度的画面里找病灶，靠肉眼分辨极其细微的密度差异，就像在一片灰色的沙滩上找出灰色的石子。即使打了造影剂做增强CT，只要病灶的密度差不足以在瞬间引起警觉，仍然可能被漏检；再遇上腹水、解剖结构变异这类复杂情况，画面会更混乱，病灶也更容易被遮盖。

“即使一个中高级水平的医生，出一份腹部报告，20分钟到半个小时几乎是常态。”肖文波说。

这也是为什么，尽管在单病领域已经做得风生水起，腹部对大多数医学影像AI来说依然是一片“禁区”。

达摩院把腹部CT影像作为了通用医学影像AI第一站。

“其实最开始提出RADAR这个方向，大家第一反应是觉得这件事太难了，甚至有点想都不敢想，尤其在腹部CT本身就是业内公认非常复杂的场景中。”张建鹏回忆道。腹部CT不像胸片那样结构相对稳定：器官差异很大，病灶稀疏，不同增强期的变化也很复杂。很多人当时都在怀疑，这样一种需要同时理解多个器官、上百种疾病，又不依赖大规模人工标注的通才模型，到底有没有可能真正成立。

早期的探索似乎印证了这种担忧。当时行业里探索通用AI的主流做法是简单的“全图对齐”，但腹部结构复杂、病灶稀疏，粗放的全局视角很容易让模型走偏：“模型非常容易走捷径，关键的异常往往会被淹没掉。”

破局的灵感，来自对临床阅片习惯的重新观察：放射科医生阅片时本来就是按解剖结构工作的，不会把整个腹部当成一个整体去看，而是依次查看肝脏、胰腺、胆道、肾脏、肠道，再综合不同器官的信息作出判断。

团队开始设想：能不能让AI也按照这种方式学习。张建鹏解释，医学影像AI或许不能简单照搬自然图像的范式，而需要一套更符合临床认知的结构化学习框架：把CT拆解成器官级别的视觉单元，同时把诊断报告拆解为对应的解剖学描述，再进行细粒度对齐。用他的话说，这相当于把原本“一句很长、很模糊”的图文对应关系，变成了更明确、更局部的对应关系。

在张建鹏看来，这一步转变最重要的意义，是让模型真正建立起“解剖结构—影像表现—语言描述”之间的联系，而不只是性能上的提升。

“医生虽然没有再做标注，但也做了非常庞大和艰辛的工作。“达摩院资深算法专家张灵介绍，浙大一院为这项研究建立了一个全球性的医院协作网络，做了大量实验设计和验证工作，持续推动模型的优化。在他看来，正是算法专家的技术创新和医生们的锐意进取，共同构建起了RADAR这套体系。

这样训练出来的模型，究竟是真正学会了医学影像，还是只是在另一种方式上重复“一个病种一个模型”的老路？

答案最终要走出训练集进入下个环节。

不只是“看得准”：AI开始挑战人类医生了

RADAR需要回答的第一个基本问题是：面对复杂的腹部CT，它到底能不能看得准？

答案是肯定的。

RADAR在146种病症诊断上的表现

在覆盖腹部18种器官、146种病症的测试中，RADAR的平均AUC达到0.913。这个结果，曾令肖文波直呼“不敢相信”。AUC（曲线下面积）是医学上评价诊断模型的重要指标，1分代表能够完美区分阳性和阴性病例，0.5意味着接近随机判断，超过0.9通常被认为具有很高的诊断效能——这是一个几乎比肩人类影像医生水平的诊断。

但对于一个真正的通用模型来说，“看得准”还只是第一关。

如果它只能在训练过的疾病上表现良好，那么本质上仍然只是把过去的“一个疾病一个模型”做得更大一些。真正困难的问题是：当面对没有专门训练过的疾病、病例和临床场景时，它还能不能工作？

这也是RADAR与传统医疗影像AI最重要的区别之一。

过去的医疗影像AI，通常围绕一个明确任务开发。比如识别肺结节，就收集大量肺结节CT进行标注和训练；如果要识别胰腺癌，就再建立一套针对胰腺癌的数据集和模型。

这种模式当然可以把一个具体问题做得很好，但它有一个天然的限制：临床需要按照AI的训练集给患者做完美的分诊，而这几乎是不可能的。真实世界里的CT检查，往往同时面对不同疾病、不同器官和不同程度的异常。尤其在急诊科，医生甚至很难预先知道自己下一张CT会遇到什么。

为此，研究团队把RADAR带到了一个它在训练集中从未见过的场景：急诊。

急诊的特殊之处在于，医生不仅要“看得准”，还要“反应快”。面对大量同时到来的患者，哪些人病情危急、需要优先检查和干预，往往需要尽快作出判断。对于医疗AI来说，这恰恰是一个很有潜力的应用场景。

张建鹏认为，按照目前RADAR展现出的初步判断能力，它有希望在急诊中承担一种“及时预警”的角色：快速从一批患者中识别出可能存在紧急情况、需要优先处理的人群，帮助医生完成初步分诊。

然而，急诊也并不是简单地换了一批病例。医生面对的不是一个预先定义好的疾病筛查任务，而是一个开放的问题：这个患者到底出了什么问题？

今天送来的是腹痛，究竟是阑尾炎、肠梗阻、消化道穿孔，还是其他疾病？CT里可能同时存在多个异常。医生需要先从复杂的影像中找到值得注意的征象，再进一步判断这些征象意味着什么。而这恰恰是过去单病种AI最难覆盖的地方。

在一项包含27,267例急诊CT的测试中，RADAR面对17种常见急腹症，平均AUC仍达到0.904。

也就是说，研究人员没有专门教它“急诊应该怎么看”，它仍能把此前学习到的影像规律迁移到新的临床场景中。对于“通用”模型而言，这个结果比某一种疾病上的高准确率更有意义。

如果说急诊考验的是RADAR面对陌生场景的能力，那么另一项实验回答的是一个更直接的问题：它能不能真正帮助医生？

人机测试显示，由RADAR辅助的年轻医生，表现优于资深医生。

研究团队让来自14家医疗机构的26名放射科医生——11名资深医生和15名初级医生——在不知道患者主诉和病史的情况下，独立阅读300例腹部CT。结果，只有3名资深医生的表现略好于AI，其余医生均不及RADAR。

一个月洗脱期后，同一批医生再次阅读这些病例。这一次，RADAR会提供辅助：给出初步判断，并用热力图标出可能异常的区域。

结果很明显。AI辅助后，医生发现病灶的灵敏度整体提高10.0%，平均阅片时间缩短30.7%。

在一些更棘手的场景中，检出灵敏度也有相当幅度的提升：恶性肿瘤提高7.3%，急诊场景提高8.5%，空腔器官疾病——如胃肠道、胆囊的穿孔或梗阻——提高9.4%。

更值得注意的是年轻医生的变化。

在头部医院，初级医生获得RADAR辅助后，诊断水平追平了不使用AI的资深专家，灵敏度甚至高出3.4%。在其他层级医院，初级医生借助AI后的综合表现则超过了同院资深医生7.0%。

在AI辅助下，刚入行的年轻医生，也能给出资深专家水平的准确判断。而在传统放射科，一名医生要独当一面，往往要熬过十几年、看过成千上万张片子，还得跟在资深医生身边慢慢积累经验。

视频解读： Science研究，一个专家级的通才医疗AI

医疗影像的GPT时刻和未竟之局

对医疗AI行业来说，RADAR的意义不只在于腹部CT上的数据表现。这项研究发表于《Science》后，不少讨论提到，这是否会是AI医疗影像领域的“GPT时刻”。

对于这个说法，张灵的态度谨慎："在腹部CT影像多病诊断领域，我们也许有点像是GPT-3的时刻，还没有到真正的腹部CT影像的ChatGPT时刻，但已经是在前夕了。"

张建鹏则认为：“‘GPT时刻’的说法，应该更多想表达的是范式变化。”具体来说，是底层任务能力从“一”到“多”的转变：GPT用一个模型处理多种任务，医疗AI也正从单病种模型走向“通才”模型。

过去，标注成本高、单病种模型又相对封闭，医疗AI发展一直较慢；面对数据稀缺的罕见病，传统监督学习的效果也常常不理想。RADAR提供了另一条路径：基于视觉-语言（Vision-Language）的通用模型框架，可以直接从大量未标注的真实临床报告中学习，而器官级对齐的算法创新让通用方法终于能在医疗影像上一展所长。

“它的训练范式是可扩展的（scalable）。”张建鹏说，这一点与GPT的自监督学习类似：“临床系统里天然存在的报告就相当于医疗场景里的互联网语料。借助这些信息，我们不需要做人工标注，标注代价非常低。”这让团队绕开了“一个病种一个模型”的老路。

目前，Scaling Law似乎还没有见顶。“我们做了不同数据比例的实验，发现从Scaling Law曲线来看，性能还没有饱和。”张建鹏告诉《知识分子》。 “随着后续更多数据、更多模态的加入，模型潜力还会更大，有非常多的提升空间。”

研究团队还观察到了类似GPT的“能力涌现”：模型在复杂急诊场景和跨人群分布中，都展现出良好的稳定性与零样本泛化能力。语言驱动的学习方式，也让RADAR不再局限于简单的“有病/没病”二元判断，而能捕捉病灶的位置、形态、纹理等更多属性。

不过，张灵也谈到，RADAR要真正成为临床里的“ChatGPT”级产品，还需要跨过工作流嵌入、可解释性、监管审批等一系列门槛。

当然，在张建鹏的眼中：未来的AI影像医生不仅存在于放射科，“它可能会变成整个医疗系统里的基础智能能力。比如在急诊，AI会提前识别急腹症和高危患者；在体检中心，AI会做大规模早筛；在MDT讨论里，它还能自动整合历史影像和病程变化；在基层医院，它会帮助年轻医生获得接近高水平医院的影像能力。”

按照这一图景，相比于探索医学影像的未知领域，RADAR这类通用大模型眼下更现实的意义，正是打破不同层级医疗机构之间的经验壁垒，让优质医疗资源以更低成本复制。

在影像学界，“同病异影、异病同影”是常见的临床难题。浙大一院肖文波坦言，即便是三甲医院的主任医师，也不可能阅尽几十万张片子里的所有罕见与常见肿瘤特征。良恶性肿瘤的鉴别往往只在毫厘之间，却直接决定患者是只需随访，还是必须接受治疗。

“当我对一个病灶犹豫的时候，临床信息已经帮助不到我了。此时AI能给我一个支持，就像我再找一个专家来告诉我，你觉得像什么？”肖文波说，AI能给医生更多诊断信心。

对基层医院来说，这一点更加重要。阅片量和经验有限，面对复杂的腹部CT时，误诊漏诊的风险更高，AI可以补上这块短板。

肖文波回忆，跟同行交流这项成果时，不少基层医生的第一反应就是“能不能给我们装一个”。现实中，漏掉一个微小肿瘤，半年后的治疗方案和患者生存期可能完全不同。AI的介入，至少能帮基层医院减少这类遗憾。

但AI能力提升的同时，另一个问题也逐渐浮现：高度自动化的工具，会不会让年轻医生失去重要的逻辑分析能力？

“影像诊断需要一整个的影像逻辑思维。”肖文波在临床带教中注意到，一旦引入AI辅助软件，年轻医生的报告水平能迅速接近主任医师；可一旦拿掉AI，实际水平马上就会显现出来。“大家都有惰性，AI马上查出病灶并给出诊断，慢慢就忽略了从年轻医生到成熟医生的培养过程。”

但在肖文波看来，这不是AI本身的问题，而是用法的问题——同样的工具，用来替代思考，会让年轻医生变懒；用来倒逼思考，反而能加速成长。

过去，影像科的传承靠的是老医生手把手批改手写报告，但如今大三甲医院科室动辄数百人、工作量饱和，这种“师徒制”已经很难维持。

基于这样的情况，她设想了一种新的带教方式：年轻医生先按照常规独立写报告，完成后再用AI软件自查，“就像有个医生站在旁边提醒，‘哎，你看这还有一个病灶，你怎么没看见？’”

这样一来，AI不是替年轻医生下判断，而是等他们自己先判断过一遍，再给出对照和纠错。每一次自查，都变成了一次具体的学习机会。

AI会不会改变医学影像的传承方式，现在还很难说。但至少眼下，它已经在帮一部分医生——无论资深还是年轻——把更多注意力，留给那些真正需要犹豫的病灶。

参考资料：

1. Qi Zhang et al. ,An expert-level generalist AI for abdominal CT diagnosis.Science393,eaec6129(2026).DOI:10.1126/science.aec6129