国产通用医疗影像 AI 登上《Science》：一次腹部增强 CT 识别 146 种病症，将给医疗行业带来哪些改变？

达摩院和浙江大学团队这篇《Science》论文出来以后，最吸引眼球的当然是两个数字：一次腹部增强 CT，可以识别 146 类影像异常；在研究设置下，模型的整体表现还达到了接近资深放射科医生的水平。

但如果只是把它理解成“又出了一个看片更厉害的 AI”，其实会错过这项研究更重要的地方。

医疗影像 AI 发展到今天，真正限制它进入临床的，已经不只是某一种病能不能识别得更准，而是另一类更实际的问题：一个模型能够承担多少任务？训练一个新任务要付出多大的数据和标注成本？换一家医院以后还能不能用？最后又该以什么方式进入医生每天的工作流程？

RADAR这篇论文，实际上同时碰到了这些问题。

所以要讨论它会对医疗影像 AI 行业产生什么影响，首先得先弄清楚，医学影像 AI 到底是怎么训练出来的。

传统方法里，训练 AI 首先要定一个明确的任务。

比如要训练一个识别胰腺癌的AI，研究人员会先从医院收集大量相关CT，把扫描质量不合格、资料不完整的数据清理掉，再由医生进行人工标注。有的任务只需要标明这个病例有没有病、属于什么分级，有的还要把病灶的位置一圈一圈勾出来。然后拿这些已经有答案的数据训练模型，最后再用一批模型从来没见过的病例去测试，看它会漏掉多少，又会错报多少。

这种方法就是机器学习里最常见的监督学习。

它有点像专项刷题。你提前告诉学生“这次只考函数”，那就可以把函数题找出来反复练。医学影像AI也是一样，任务越明确，越容易准备病例和标签，也越容易围绕这个任务不断优化。现在结直肠癌、胃癌等专病影像AI，在各自任务上已经可以做到相当高的水平。[1][2]

可到了医院真正看片的时候，情况就复杂多了。

患者可能因为腹痛来做CT，临床医生也可能已经怀疑胆囊炎或者胰腺炎，但影像科医生不会只在片子里找这两个病。肾脏里突然发现一个肿物，或者血管上出现一个更危险的问题，都不能因为申请单上没写就不管。

这对AI来说就麻烦了。既然一套影像里可能出现的问题不止一个，如果每一种可能都要靠一个专门训练的任务去覆盖，需要处理的疾病和异常很快就会变得非常多。

如果每增加一种疾病，都要重新收集病例、整理数据、人工标注，再训练和验证一遍，做十种、几十种当然可以，但想把几百种甚至更多影像异常都这样铺开，成本会越来越高。尤其是少见病，本来病例就少，高质量标注数据更难凑。

但医院其实每天都在产生大量可以利用的数据。

患者做完CT以后，影像科医生还会留下一份报告。这份报告并不是只写一个病，而是会把扫描范围里的不同器官一起描述。比如同一份腹部CT报告里，可能同时写着脂肪肝、胆囊结石、右肾囊肿，也可能顺便注明胰腺、脾脏没有明显异常。

换句话说，医院天然积累下来的，本来就是“一整套影像＋一份同时描述多个器官和异常的报告”，而不是一个个已经整理好的专病训练集。

这里最符合这个特征就是腹部CT。

一套检查里同时有肝、胆、胰、脾、肾、胃肠道和血管，增强扫描还会产生大量切片。真正有诊断价值的异常，可能只藏在其中很小的一部分影像里。

达摩院和浙江大学团队这次发表在《Science》上的RADAR，选择的就是直接利用这些已经存在的CT和放射科报告，训练一个能够处理更多问题的模型。[3]

这种让模型同时学习影像和文字描述的方法，叫视觉语言学习。

放射科报告本身已经包含了医生对影像的大量专业描述，如果模型能够学会影像和这些文字之间的关系，就可以直接利用医院原本已经存在的临床资料，不必为每个新的诊断任务都额外准备一大批精细人工标注。

但直接把一整套腹部CT和一整篇报告扔给模型，信息还是太粗。

假如一份报告里同时写着肝囊肿、胆囊壁增厚和右肾结石，模型还得知道这几句话分别是在描述肝脏、胆囊还是右肾。RADAR采用的是器官级对齐。简单说，就是先把CT里的具体解剖结构和报告里的对应描述配起来：肝脏对应肝脏，胰腺对应胰腺，胃对应胃，再去学习不同影像表现和医学语言之间的联系。

有了这种更细的对应关系，医院多年积累下来的影像和报告就可以被大规模利用起来。

RADAR的主要训练数据来自浙江大学医学院附属第一医院2010年至2023年积累的腹部增强CT。研究团队最终纳入424911次检查，构建出超过1500万组器官级图文配对，再拿其他时间段和其他医院的数据去测试模型。

新闻标题里说“单次识别146种腹部病症”，这里需要稍微解释一下。

论文实际评估的是18个解剖结构上的146类影像发现。这里面既有具体疾病，也有器官增大、管腔扩张、壁增厚之类的影像征象，并不是146个彼此独立的病名。更准确地说，是同一个模型可以在一套腹部CT上处理大量不同的诊断查询，而不用每换一种疾病就重新训练一个独立模型。

那它一次能处理这么多问题，效果到底怎么样？

论文里用了一个医学AI研究很常见的指标AUC。它衡量的是模型区分阳性和阴性病例的能力，0.5基本相当于随机猜，越接近1越好。

研究人员先用同一家医院另一个时间段的39160例检查做独立测试，146类影像发现的平均AUC为0.913。这批病例没有参加模型训练，但设备、扫描流程和患者来源毕竟还是同一家医院。

那估计会有人问，换一家医院是否还能有这么高的准确度呢？

于是研究团队又拿到8家外部医院去测试，各中心AUC为0.874到0.912，外部测试一共包括24239次检查。因为RADAR主要是从影像报告里学习的，研究团队还专门拿病理已经确认的肝癌、胰腺癌、胃癌和结直肠癌重新测试。两个独立队列共4333例病例和正常对照，AUC为0.891到0.984。

研究人员还直接拿RADAR和两种传统监督学习模型做了比较。到了病例数量较少的影像异常上，两个监督学习模型的性能下降得更加明显，而RADAR相对稳定。

题目里还有一句“达到专家水平”，这其实也需要跟大家解释一下。

研究人员做了一项放射科医生参与的阅片试验，一共300名患者，涉及61类影像发现，26名放射科医生来自14家医院。按照论文采用的比较方式，只有3名资深放射科医生的表现略优于RADAR。

随后同一批医生又在RADAR辅助下重新阅片。AI辅助以后，医生总体敏感度提高约10%，平均阅片时间减少30.7%，特异度则从98.8%下降到98.2%。简单说，敏感度提高意味着漏掉的异常少了；特异度稍微下降，则意味着误报也会多一点。[3]

但回到题目真正关心的“通用”，还有一个问题：模型看得更多，会不会意味着每一种病都只能做到一个差不多的水平？

RADAR后面的微调实验正好回答了这个问题。

研究人员又针对具体影像发现继续微调RADAR。所谓微调，就是模型已经学会了一大堆东西以后，再围绕某些具体任务继续训练，而不是从头再造一个模型。微调以后，RADAR内部测试AUC从0.913提高到0.940，外部多中心测试也从0.895提高到0.927。

所以医疗影像AI走向通用，并不意味着以后就不做胰腺癌、胃癌这些专病模型了。

通用模型先扩大能够处理的问题范围，到了某些重要疾病，再用更有针对性的数据继续检测。

也就是说，未来可能会是先由RADAR这样的通用模型检查一遍结果，然后把疑似的结果在由专病模型进行二次核验，这样可以在降低 医生阅片时间的同时，还减少了漏检的可能性，极大的提高了就医体验，这也才是真正的AI赋能。

参考

1. ^Yao L, Li S, Tao Q, et al. Deep learning for colorectal cancer detection in contrast-enhanced CT without bowel preparation: a retrospective, multicentre study. EBioMedicine. 2024;104:105183.
2. ^Hu C, Xia Y, Zheng Z, et al. AI-based large-scale screening of gastric cancer from noncontrast CT imaging. Nature Medicine. 2025;31:3011–3019.
3. ^Zhang Q, Zhang J, Cao W, et al. An Expert-Level Generalist AI for Abdominal CT Diagnosis. Science. 2026.