阿里达摩院医疗 AI，十年拼出一张图

从一个个具体的现实困难出发，连点成线，走到了一片更开阔的地方。

文丨陈然

2016 年，AI 教父 Geoffrey Hinton 作出预言：该立即停止培养影像科医生了，他们在 5 年内就会被 AI 超越。

10 年过去了，影像科医生还在，但 2016 年前后纷纷入局的影像 AI 企业，纷纷折戟沉沙，只有少数幸存者还在挣扎。

Hinton 低估了医疗的难度。

医疗对模型精度的要求近乎苛刻，对错误和幻觉的容忍度极低，也许是 AI 的终极测试场。它曾把影像 AI 困在专病模型里，也困住了 AI 企业。

9 月 18 日，国际顶级学术期刊 Science 罕见刊发一篇医疗影像 AI 论文，引发对 Hinton 预言的 “回旋镖” 讨论。论文介绍了一款达到专家水平的通用医疗影像模型 DAMO RADAR，针对腹部增强 CT，它突破 “一病一模” 的限制，同一个模型可以识别 18 个腹部器官上的 146 种病症。

研发模型的是阿里巴巴达摩院。过去几年，他们还连续发布了平扫 CT 上的胰腺癌、胃癌、肠癌筛查模型，以及主动脉夹层预警模型等多款突破性的专病模型。

主流视线之外，达摩院医疗 AI 已悄然走过十年，他们就像在玩一个拼图游戏：从单病模型、到多病联筛，再到通用模型，用一次 CT，去发现包括癌症在内的多种重大疾病隐患，完成 “超级检查”。医疗影像 AI 也第一次从单点的技术创新，变成可规模化的超级产品。

AI 行业（也包括具身智能）常常困惑于 “拿着锤子到处找钉子”，找不到合适的应用和落地。达摩院的医疗 AI 之路，某种程度上从一开始就避开了这个问题——他们从一个个具体的现实困难出发，连点成线，也逐渐穿越传统医疗 AI 的周期，走到了一片更开阔的地方。

从一张平扫 CT 里，看到人眼看不到的风险

2017 年，达摩院伴着改变世界的愿景成立，医疗也在其布局之内。有多年医疗影像 AI 行业经验的许敏丰在这时候加入。

最初几年，他们做的也是当时行业里热门的同质化产品，包括在平扫 CT 上识别肺结节和骨折，难度相当于 “在黑纸上找白点”，并没有太大的挑战。行业里的很多医疗影像公司却据此获得大量融资，风头堪比今日的具身智能。

许敏丰后来觉得，这些工作只是用深度学习把医生原本就在做的事重新做了一遍。模型可能更快、更准，却没有让 AI 解决新的问题。这是典型的从 “AI 能做什么” 角度出发的工作，却未必是医疗真正需要的东西。

转折发生在 2020 年。

新冠疫情暴发后，大量患者涌入医院，肺部 CT 成为医生判断病变范围和病情变化的重要依据，但一套 CT 扫描包含数百张影像切片，激增的检查量很快超过了医生的处理能力。

凭借之前几年的积累，许敏丰带着几名算法和工程人员花了两周在家赶做出了一款 AI，可以自动识别新冠肺炎病灶，并帮助医生快速判断病变的范围。这是全国范围的第一个新冠肺炎 CT 辅助诊断系统，首行代码后来入选了国家博物馆的馆藏。

这段经历改变了团队对医疗影像 AI 的理解：同样是肺炎，新冠肺炎和普通肺炎在人眼看来都是炎症，AI 却可能从细微的影像差异中加以区分。

而在 2021 年加入达摩院的张灵，则奔着一个更为大胆的设想而来：一张普通的平扫 CT，除了医生原本要看的疾病，还能不能看出更多医生没有特别留意、也不习惯用肉眼判断的信息？甚至是一些重大癌症的早期信号。

张灵从 2008 年前后就开始研究医疗影像 AI，他加入达摩院后，团队开始集中推进与 “癌症之王”——胰腺癌的较量。这是一个明确的，医学上想要敲掉的硬 “钉子”。

超过 70% 的患者都是到了晚期才发现，生存率已不足 10%。因此，胰腺癌是所有癌症中致死率最高的。医生诊断胰腺肿瘤，通常要先向患者体内注射造影剂，再做增强 CT，这显然不适合常规体检。平扫 CT 倒是常用，但人眼几乎不可能看到早期的胰腺癌。

如果平扫 CT 能看见，医院为什么还要使用增强 CT？不少医生认为，人眼都看不清的病灶，AI 也很难可靠识别。

张灵最初同样使用增强 CT 研发模型。但同一名患者往往会留下平扫和增强两套影像，他试着把模型放到平扫 CT 上测试。结果出乎意料。没有造影剂，模型识别胰腺肿瘤的能力只下降了一点。

外面的人仍然不相信，但团队已经看到了这件事成立的可能。张灵回忆，那几年他们像是站在一块没人到过的地方，往前走一步，就能看到一点新东西。

项目尚未显示出明确结果时，能够获得的资源和支持也很有限，张灵回忆，早期真正坚持这项工作的只有包括他和一位合作医生在内的 3 个人。

任务开始后，他们首先遇到的是训练数据问题。医生在平扫 CT 上看不清肿瘤，也就很难直接标出病灶的位置；没有准确的标注，模型便不知道应该学习什么。

团队后来找到的办法是，请医生在同一名患者的增强 CT 上勾画肿瘤，再通过图像配准，把这个位置映射到平扫 CT 上。胰腺是一个相对固定的实性器官，两套影像能够较好地对应，模型由此得到了一批人眼难以直接提供的训练数据。

不过，从早期模型到真正达到筛查要求的 PANDA，团队花了两三年。

胰腺癌的发病率很低，大约一万人中才有一例。如果模型的特异性是 99%，也就是误报率只有 1%，筛查一万人仍然可能把一百名并未患癌的人报成高风险。对普通诊断模型来说还不错的成绩，放到大规模筛查中可能完全无法接受。

唯一的解决方法是，让特异性不是 99%，而是 99.9%。团队把模型放到不同医院、设备和人群的数据中反复测试。模型表现不好，他们就补充数据、调整算法，再重新测试。最终，PANDA 把误报压到千分之一的量级，在一次没有预先挑选样本的真实世界验证里，PANDA 模型连续分析了两万人的影像，识别出了 2 例原先被人眼忽略掉的胰腺癌。

这个发现，成为达摩院发表的第一篇 Nature Medicine，这本声名卓著的医学期刊配发评论文章：“基于影像的癌症筛查即将进入黄金时代”，也给了张灵和团队持续探索用 AI 识别胃癌、食管癌等其他癌症的信心，达摩院走上一条与行业不同道路的分水岭。

就在同期，许敏丰和团队也把同一种思路带进了心血管领域，尤其是急诊场景。

2022 年底，一起主动脉夹层漏诊造成的不良事件引起了团队的注意。那是身体最大血管的内壁破裂造成的，就像是高速公路上油门失灵，凶险程度可想而知。

与医生交流后发现，这类疾病的初诊遗漏远比想象中普遍。主动脉夹层最典型的表现是剧烈、撕裂般的胸痛，但许多患者只有腹痛或腰痛，看上去更像胃病、结石或腰椎疾病。

漏诊或延迟诊断的后果是致命的。许敏丰记得一个案例，一名三十多岁的男性曾因腰腹疼痛到急诊就医，他原本就有腰椎间盘突出，平扫 CT 也显示了相应问题，医生便先按腰椎疾病处理。但七个小时后，患者病情突然恶化。进一步检查发现，他患有 B 型主动脉夹层，双肾和下肢已经因缺血受损。

当时那张平扫 CT 上，AI 能不能识别出主动脉夹层？

确诊主动脉夹层通常需要做增强 CT，但很多症状不典型的患者不会直接接受这项检查。他们可能因为腰痛拍腰椎 CT，因为腹痛拍腹部 CT，也可能先做胸部 CT。许敏丰想让模型检查这些已经拍下的平扫影像。只要画面中包含主动脉，或许就能顺带找到夹层的迹象。

从 2022 年底到 2024 年底，许敏丰团队用了两年时间，在全国多家机构的数据上完成多轮验证。最终，这套名为 iAorta 的模型把主动脉夹层的初诊遗漏率从 48.8% 降到了 4.8%，平均确诊时间从 4.3 小时缩短至 1.7 小时。

团队后来用模型重新分析患者最初的那张 CT，发现夹层在七个小时前就能被识别出来。

用一次平扫 CT，完成 “超级检查”

达摩院针对胰腺癌和主动脉夹层的两个模型，随着临床效果的逐步验证，收获了医生们的掌声和敬意，但张灵和许敏丰却依然忧心忡忡。因为无论是胰腺癌还是主动脉夹层，都属于发病率很低的病种，也就是说，这是两个很难大范围推广的模型。

此时放眼外界，医疗影像 AI 行业陷入冰点，科亚医疗、推想医疗和数坤科技先后递表港交所，却折戟沉沙，“视觉四小龙” 之一的依图也把医疗业务全盘出售。有很长一段时间，市场上看不到任何一家医疗 AI 企业融资的消息。

如果针对单个病种的单个模型覆盖面有限，那把多个模型拼起来呢？一个普通用户，也许不会因为胰腺癌专门去一次检查，但如果这个检查能查出多种癌症和重大疾病呢？

达摩院开始思考做拼图的可能性，他们还是选择从平扫 CT 入手。因为平扫 CT 速度快、成本低，在体检、急诊和基层医院里大量使用，是国内最常见的影像检查，每年检查量超过 1 亿人次。

如果能用攻克胰腺癌的方式，去啃下更多原本不在平扫 CT 常规检查范围内的重大疾病，那么患者无需增加额外费用和辐射，就能调用这些模型，顺便完成一次 “超级检查”。

达摩院正式开启了一场拼图游戏，将 “一扫多查” 确定为医疗 AI 的核心策略。

张灵和团队的下一个大目标是消化道的多个肿瘤。不同于实性的胰腺，胃、肠、食管是会蠕动的空腔器官，而早期病灶往往局限于黏膜层，常规上需要侵入式的消化内镜才能看清。

如果说在平扫 CT 上识别胰腺癌和主动脉夹层属于 “超出常规医疗实践”，那识别这些消化道病灶，基本属于 “超出医学常识”，从未有医疗 AI 企业想过尝试。

然而，因饮食习惯、基因等因素，消化道肿瘤偏偏又是中国相对特异高发的癌症，发病人数和死亡人数大约占到全球一半。受到内镜医生资源、麻醉医生资源和内镜舒适度的限制，这些理论上可以早期筛查的癌症，在国内其实并没有多少人真的去查。

据统计，中国每年需要开展内镜筛查的人数超过 2 亿，但事实上做的检查只有 3000 万台。这是一片平扫 CT 可以去填补的巨大空白。

从 2025 年到 2026 年，达摩院陆续推出的胃癌、肠癌、食管癌模型，让这些消化道肿瘤的 “无感” 筛查成为可能。

据测算，如要筛查中国每年死亡人数最多的七大主流癌症 (肺癌、肝癌、胃癌、结直肠癌、食管癌、胰腺癌、乳腺癌)，超声、CT、胃镜、肠镜等传统检查成本累计至少 3000 元，而且用户得经历各种不同方式的检查。达摩院的 “一扫多查” 方案，用户只需要做一次平扫 CT 就能实现无感筛查，CT 费用仅为 200 元左右。

这无疑将重新定义癌症筛查和健康体检。

张灵第一次见到被他的 AI “救了一命” 的患者，是在上海一家医院的外科病房。

那是一位 75 岁的老人。做 CT 原本只是用来筛查肺部疾病，扫描没有完整覆盖胰腺，肿瘤本身也没有出现在影像中。但 PANDA 注意到一个间接信号：胰管扩张。

胰管是胰液流出的通道，病变有时会堵住它，使它变宽。模型据此判断，老人存在胰腺病变的风险可能性为 75%。

医生把老人叫回医院。增强 CT 随后在她的胰头发现一个 1.8 厘米的肿块；术后病理显示，真正的癌变部分只有 1 毫米，属于 T1a 期，也就是浸润癌最早的阶段之一。如果没有这次计划之外的 “筛查”，等癌变部分进一步扩展、等患者有了感觉再检查，往往为时已晚。

在算法研发中，一次没有识别出病变，只是一个标错的数字；落到现实里，却是一个具体的人，以及她身后的家庭。

现在，这套多癌筛查 AI 体系已经落地全国多家公立医院，以及美年大健康等体检机构。光是全国最早开设 “胰腺癌早筛门诊” 的宁波大学附属人民医院，截至 2026 年 8 月初，已累计分析超 24 万张 CT 片，成功发现 84 例胰腺癌，其中 43 例为早期，1 例为原位癌，38 位患者接受了根治性手术。

今年 8 月，医院还引进了达摩院的更多专病模型，新增胃癌、食管癌、结直肠癌、肝癌五大高发癌症，骨质疏松、脂肪肝、心血管疾病风险等四类慢病评估，以及急性主动脉综合征等 1 类危急重症预警，更多患者可能争取到早发现、早治疗的一线生机。

达摩院医疗 AI 版图

走向 “通用”

就在不断丰富 “一扫多查” 拼图的同时，他们不再满足于简单做加法。

张建鹏第一次强烈意识到 “一病一模” 走得慢，是在做第二个专病模型时。他是 Science 论文的第一作者，RADAR（雷达）项目的发起者，在张灵的多癌筛查团队里先后参与了肺癌、结直肠癌等专病模型的研发。

团队曾连续几个月投入一个项目，反复标注数据、训练模型。但比起这种疲惫，更刺激张建鹏的是，即使项目成功，他们解决的也只是成千上万种疾病中的一种。一个专病模型通常要做两三年，照这个速度，“可能一辈子都做不完”。

能不能重新找到一条技术方法，直接让一个模型去识别广泛的病种？就像在自然语言处理领域，从 Transformer 架构的提出，到 GPT 系列通过大规模预训练和自回归预测实现通用语言能力，大语言模型（LLM）第一次让 AI 摆脱了 “一任务一模型” 的桎梏，一个模型即可完成翻译、问答、推理、编程等多种任务。

这对于医疗 AI 而言，是个野心很大的问题。这个问题的本质在于，通用智能，能否在医疗这个容错率最低、可靠性要求最高的领域复现？

2023 年初，张建鹏决定借鉴视觉-语言学习（Vision Language Learning），利用医院里原本就会产生的影像和诊断报告，不用额外人工标注，直接作图文对比学习。

实验从相对简单的胸部开始，随着训练数据规模的上升，Scaling Law 开始发挥效果，而且暂时还看不到尽头。到了 2023 年底，团队决定去解最难的一道题——腹部增强 CT。

增强 CT 虽然比平扫 CT 清楚，但腹部挤着肝、胆、胰、脾、胃肠等许多器官，真正决定诊断的异常，有时只占其中很小的一块，微小的病灶也容易被大量正常组织淹没。

这个问题困扰了团队半年。反复分析训练结果，并没有让他们找到答案。张建鹏决定回到医生现场，观察影像科医生怎样读片，看看算法遗漏了什么。

他发现，医生并不会一股脑地处理所有信息，而是从上到下，依次查看不同器官。这给了团队关键启发。他们用团队在专病模型研发时积累的器官分割模块，把一套 CT 拆成肝脏、胰腺、胆囊、肾脏等不同的解剖单元，再把报告里的文字按器官拆开，让模型逐一对应。原本一组庞大而模糊的影像和文字，被拆成许多组更小、更明确的关系。

此外，标准的对比学习会把不同患者的影像视作彼此不同的样本。但两名患者的肝脏如果都很健康，本来就应该相似。团队于是改掉了这条规则。他们先判断不同病例在医学含义上是否相近，再决定应该让模型把它们归在一起，还是彼此区分。论文将这种方法称为 “自适应对比建模”。

最终，团队在腹部 18 个解剖结构、146 种疾病和异常上验证了 RADAR。近 4 万次真实世界检查中，RADAR 的平均 AUC 达到 0.913——这个指标越接近 1，说明模型越能区分有病和无病的人。在国内 8 家外部医院、超过 2.4 万次检查中，它的平均 AUC 仍达到 0.895。

团队还请来 14 家机构的 26 名影像科医生参与测试。RADAR 单独读片时，平均表现超过其中 23 人；加入 AI 提示后，医生发现异常的能力平均提高约 10%，读片时间减少 30.7%。

在张建鹏看来，最重要的不是这些数字。过去研发一种新的专病模型，需要重新准备数据、标注病灶。RADAR 学到的则是影像与医学语言之间更深层的联系。研究人员可以给它一段新的疾病描述，让它在 CT 中寻找相符的影像特征，而不必先为这种疾病重新训练模型。这被称为 “零样本诊断”。

他相信，Science 认可的也不只是一个能识别更多疾病的模型。RADAR 第一次较为系统地证明，医疗影像 AI 也可能摆脱 “一种病训练一个模型” 的方式，走向通用。

外界有人因此把 RADAR 称为医疗影像的 “GPT 时刻”。张建鹏对此很谨慎。他认为，它更接近早期的 GPT-1 或 GPT-2，只证明了一条技术路线可能成立。

“通用” 也不意味着它已经在所有任务上超过专病模型。目前，RADAR 只服务于条件更苛刻的增强 CT，张灵团队后来尝试把 RADAR 放在平扫 CT 上，和五个癌症专病模型比较，RADAR 的精度还有明显差距。

他总结道，如果影像科医生面对一套复杂的腹部增强 CT，希望尽量不漏掉分布在不同器官中的异常，RADAR 更能发挥作用；如果只想在体检人群中尽早找出胰腺癌，PANDA 仍然更合适。在可见的未来，团队将沿着两条路线并行下去。

但起码，凭借技术范式的革新，达摩院又一次在医疗 AI 领域打开了更广阔的可能性。

从在国际上首次提出用 “平扫 CT+AI” 突破胰腺癌筛查和主动脉夹层预警，到实现多个消化系统肿瘤的 “无感” 筛查，再到首个专家级的通用医疗影像模型，一条专病-多病-通用的拼图逐渐完成。回顾达摩院医疗 AI 的这十年，其实只做了一件事：如何在一份你已经拍完的 CT 影像上，发现更多、更多、再多的健康信息。

有时候，一个足够专注、简单的目标，就足够支持他们穿越周期，也足够用户做出选择。

题图来源：《降临》