阿里巴巴达摩院推出了一款能够从腹部 CT 中同时识别上百类异常的医疗 AI 模型。

2026 年 9 月 17 日，阿里巴巴达摩院与浙江大学医学院附属第一医院等机构联合研发的通用医学影像 AI 模型 RADAR 相关研究正式发表于《Science》。目前，该模型的代码和预训练模型均已对外开放。

RADAR 是一款面向腹部增强 CT 的视觉语言模型。

该模型可覆盖 18 个腹部解剖结构，识别 146 类影像学发现，其中包括恶性肿瘤以及其他疾病和异常表现。

与传统医学影像 AI 往往针对单一疾病或单一任务进行训练不同，RADAR 希望让一个模型同时完成更大范围的异常识别。

它直接学习 CT 影像与医生临床报告之间的对应关系，不需要研究人员为训练数据重新进行大规模人工病灶标注。

RADAR 使用超过 40 万次腹部增强 CT 检查进行训练，并构建了约 1500 万组按照解剖结构对应的图像—文本数据。

AAAS 公布的资料显示，其训练数据实际包含 424,911 次检查。

通过这种训练方式，RADAR 可以学习不同解剖结构在 CT 中出现异常时的影像表现，以及医生在临床报告中如何描述这些异常，从而让同一个模型覆盖更多疾病和诊断任务。

在接近 4 万次真实世界检查中，RADAR 针对 146 类临床影像学发现取得了 0.913 的平均 AUC。AUC 用于衡量模型区分阳性和阴性病例的能力，因此 0.913 不能直接理解为“诊断准确率达到 91.3%”。

RADAR 在外部数据中的表现也经过测试。

在来自 8 个外部医疗中心的数据中，模型取得 0.895 的 AUC；在超过 2.7 万例急诊 CT 中，AUC 达到 0.904。值得注意的是，RADAR 并未专门使用急诊数据进行训练。

研究团队还测试了 RADAR 与医生协作时的效果。共有 26 名影像科医生参加读片研究。

论文显示，在 RADAR 辅助下，这些医生的诊断敏感性平均提高约 10%，表明 AI 辅助能够帮助医生发现更多可能遗漏的异常。

不过，RADAR 目前验证的主要范围仍是腹部增强 CT。

“通用”指的是模型能够在这一影像场景下同时处理多个解剖结构和大量不同异常，并不代表它已经能够覆盖所有身体部位、所有医学影像类型或全部临床诊断任务。

目前，阿里巴巴达摩院已经在 GitHub 公开 RADAR 的训练、推理和数据预处理代码，官方项目采用 Apache 2.0 许可证；预训练模型权重及相关文件则通过 Hugging Face 提供。

从针对一种疾病训练一个模型，到利用一个模型同时分析多个腹部解剖结构和上百类异常，RADAR 展示了医学影像 AI 向通用模型发展的另一条路线。它的重点并不只是让 AI 识别某一种癌症，而是尝试让同一个模型对一次腹部 CT 完成更大范围的异常筛查，为影像科医生提供辅助判断。

Github：https://github.com/alibaba-damo-academy/damo-radar

Hugging Face：https://huggingface.co/radar-generalist

云头条声明：如以上内容有误或侵犯到你公司、机构、单位或个人权益，请联系我们说明理由，我们会配合，无条件删除处理。