Hinton错了！中国AI登顶Science，全球首个专家级通用影像AI来了

2016年，AI教父Hinton给医院的放射科判了「死刑」：「人们现在就应该停止培养放射科医生。」他预测，五年内，AI就会胜过放射科医生。

10年过去了，AI没有攻下放射科。

他低估了医疗。

医疗，是AI的终极测试场。在这里，模型不是答错一道题，而是可能漏掉一个病灶、误导一次诊断。医疗对精度的要求近乎苛刻，对错误和幻觉的容忍度极低。

这也是为什么，医疗影像AI做了十年，还困在「专病专模」里。

直到这个中国AI横空出世。

9月18日，阿里巴巴达摩院与浙江大学医学院附属第一医院研发的DAMO RADAR登上Science正刊，它能一次性识别超过146种病症，而且是最难分辨的腹部，AUC高达0.913，首次达到影像科资深医生水平。

这也是全球首个专家级的通用影像AI模型，有望迈向传说中的「AI影像医生」。

论文链接：www.science.org/doi/10.1126/science.aec6129

开源地址：https://github.com/alibaba-damo-academy/damo-radar

十年过去了，Hiton的预言终于有了一丝希望。但奇怪的是，参与研究的中国影像医生们并没有害怕被AI取代，而是热烈拥抱它。

浙大一院放射科主任肖文波第一次看到实验结果时，「有点不太相信」。第二次验证得到相近数据后，医生们有些躁动：「赶紧部署起来。」

达摩院先做4把「尖刀」

达摩院医疗AI并不是从RADAR开始的。

2020年初，新冠疫情暴发，困在家里的几名达摩院算法专家，看到影像医生阅片太多累倒在医院走廊的新闻，两周内紧急开发出新冠肺炎CT辅助诊断模型，能自动勾画肺部病灶、计算感染比例、对比病情变化。它服务了国内外近600家医疗机构，分析超过80万例CT。

此前，他们已在CT上浸润多年，而疫情把算法团队直接推到了真实临床现场。

此后，达摩院把目标瞄准了癌症，还是通过CT，这是医院最常见的诊断工具之一，价格便宜，使用广泛。

2023年，DAMO PANDA登上Nature Medicine。它尝试从平扫CT中筛查胰腺癌——一种早期症状隐匿、发现时往往已到晚期的「癌王」。

胰腺藏在腹腔深处，早期病灶细小，之前没有影像科医生会从平扫CT上看胰腺癌，因为基本看不见。平扫CT对比度较低，医生一般只用来看肺结节、骨折等常见病症。

在20,530人的真实世界回顾性验证中，PANDA发现了31例此前临床漏诊的病变。

2025年，DAMO GRAPE同样发表于Nature Medicine。它把平扫CT机会性筛查推进到胃癌，研究覆盖20家医院、近10万人。胃是不断收缩、形态变化巨大的空腔器官，过去医生只能靠操作复杂的胃镜来识别胃癌病灶，从来没有人想过用CT。

2026年，DAMO COCA发表于Annals of Oncology，把目标转向结直肠癌。在27,433人的两轮真实世界研究中，模型发现了5例既往遗漏病例。它同样没有要求患者为AI多做一次检查，而是试图从既有影像中，再捞出一层原本可能被忽略的风险信号。

2026年，达摩院又推出食管癌模型DAMO EAGLE，无需插管和造影，从平扫CT上就能识别食管癌，重点包括早期和癌前恶性病变。

PANDA、GRAPE、COCA、EAGLE，像4把越来越锋利的「尖刀」。它们盯住一种癌症，围绕微小病灶、早期信号和高风险人群一路向下扎。

这条路线打开了一个新入口：病人本来只是因为体检、腹痛或其他原因拍了一张CT，AI可以顺手再筛一次癌症风险，不增加一次专门检查。

但尖刀也有尖刀的边界。

每增加一种疾病，就要重新找病例、做标注、训模型、跑验证，整个周期再快也要两三年。「按照这个速度，是不是一辈子都做不完？」 达摩院高级算法专家张建鹏说，他是肠癌模型的核心作者。

面向最难的目标开火

RADAR不是PANDA、GRAPE、COCA等专病模型的合并。专病模型像狙击枪，目标明确，追求在一种疾病上看得更深。RADAR更像雷达，要先把整个腹部扫一遍。

对医生来说，可能更需要雷达。现实世界不是考试，不是只考胰腺癌。腹水、术后改变、金属伪影、罕见异常，会同时出现在同一个病人身上，还有可能带有其他病症。

而腹部，恰恰是最难的部位。腹部涉及消化、泌尿、生殖等多个系统，几乎所有器官都挤在同一组影像里。一次增强CT，往往包含多个不同期相、每个期相上百幅图像，医生需要逐一排查，才能形成一份完整的诊断报告。

「对我们科室所有的年轻医生中，最害怕进的组，就是腹部组。」浙大一院肖文波介绍，从年轻医生进科到能独立审核报告，往往要先经过胸部组和其他器官组的历练，最后才敢进腹部组。「我们一直想要一个针对全腹的AI，但大家都知道这个难度，不敢想。」

张建鹏介绍，对于全腹CT的通用影像AI，业界不是没有尝试。视觉-语言学习方法也并非全新事物，有研究者尝试将其引入医疗影像领域。其好处很明显：不再需要医生去大量标注数据，可以直接利用医院现成的CT报告，让AI从报告中学习，让影像与医学语言彼此对齐。

但问题在于，这种自然图像领域的常见方法在腹部CT上效果不佳。腹部结构复杂，各种器官叠在一起，而病灶稀疏，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。」

这个问题困扰了达摩院算法专家们很久，他们最终从医生身上获得了灵感。

张建鹏经常去医院观察医生怎样读片，答案不是「一眼看完整个腹部」，而是按器官，一个一个排查。这个临床动作，后来变成了RADAR最关键的技术结构。RADAR选择把腹部拆成不同的解剖单元，再让每个器官与报告中的对应描述对齐。它不靠生成一段听起来像医生的话作判断，而是定位、对齐，再比较正负提示词与影像的相似度，在医生工作台上生成热力图对病灶进行风险提示。

内部真实世界测试中，RADAR接受了39,160次测试。在146项病症上，平均AUC达到0.913。随后，研究人员又在8家外部医疗中心的回顾性队列上验证模型；各中心覆盖68到136项病症，平均AUC约0.895。在两个以病理结果为金标准的队列中，面对肝细胞癌、胰腺癌、胃癌和结直肠癌，AUC达到0.891到0.984。

换医院、换设备、换病种、换场景...RARDA依然展现出强劲的性能，这比一条漂亮的单院曲线更接近医院里的真实考场。读片测试中，RADAR与14家医院的26名影像科医生进行了人机对比试验，其平均准确率超过了其中23名医生，仅弱于3名资深医生。

「最初我听到这个数据，有点不太敢相信。」肖文波说，这么多器官、这么多相像的结构，一次性识别146种病灶，「我做了这么多年医生，都得反复重建、仔细去看才能确保没有遗漏。」

更难得的是，RADAR在急诊等陌生场景中展现出强大的泛化能力。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应该怎么做，它仍能把此前学习到的影像规律迁移到新的临床场景中，通用影像AI由此炼成。

影像医生催着上线

「我给科室同事介绍了RADAR，也在同行会议上做过分享，大家都特别惊喜，追问什么时候能上线，能不能快点给我们装一个？」肖文波说，医疗影像上经常出现」同病异影、异病同影」，不管是多么资深的医生，也不敢保证能识别出所有的肿瘤，见过所有的特征，年轻医生尤其如此，所以大家其实面临很大的心理压力，尤其是在做良恶性判别时。

RADAR打开了一扇窗，在阅片试验中，AI帮助医生将敏感性（防漏诊的能力）提升了10%，平均阅片时间缩短30.7%。RADAR让年轻医生瞬间拥有了资深医生的阅片能力，其诊断信心也大幅增强。

影像医生不害怕AI，更害怕漏诊，害怕在数百张切片中发现了一个病灶，却漏掉了另一个。

肖文波介绍，浙大一院放射科一天有四五千例CT，阅片量巨大，而腹部CT读片难度很大，一个资深医生也得花费20-30分钟来读完一例。「如果在我们医院，腹部CT都是一个很困难的问题，那普通医院应该更难吧？大家看的片子没这么多，经验可能没这么足。「

肖文波担心的是另一件事。

年轻医生借助AI，可以写出接近资深医师水平的报告；「但是把AI一撤掉之后呢，又变成了年轻医生的水平」。

所以，她设想的顺序是：医生先独立判断，AI复核，医生再对比分析，如果AI看出来了自己没看出来，那必须追问为什么。医生不能把方向盘交出去，而是多装一套不会疲劳的雷达，这个雷达也会变成年轻医生的带教，帮助年轻医生成长。

One More Thing

很多人也许会问，RADAR出现后，PANDA、GRAPE、COCA、EAGLE这些专病模型还有用吗？

它们其实面对的是不同问题。

PANDA和GRAPE主要从平扫CT中寻找特定癌症的早期信号，适合无症状人群的机会性筛查。RADAR面对的是腹部增强CT，要同时查看多个器官和大量异常。

一条向深处扎。一条向广处铺。

专病模型可以围绕微小病灶、癌症分型和高风险人群持续优化，实现超越人类的精度。通用模型则负责扫过多个器官，帮助医生发现目标。

应当说，通用影像AI模型还在早期，RADAR目前只完成了回顾性实验，还需要前瞻性实验等进一步工作，目前还未达到专病模型的成熟度。

达摩院资深算法专家张灵说，「RADAR已经初步证明了通用影像AI的可能性，我们的实验证明，它的能力还未被完全挖掘，还有可能随着Scaling Law进一步上升。」也因此，达摩院选择开源，希望行业共同推动通用影像AI走向成熟。

十年前，Hinton预言AI即将胜过放射科医生，并主张停止培养他们。

十年后，RADAR的读片实验没有让26名医生离场，而是让他们和更多的医生充满期待。

不久前，黄仁勋也重新谈起Hinton的预言。他说，放射科医生非但没有被AI取代，人数反而增加了，「如今几乎每一位放射科医生，都在以某种方式使用AI」。

文章来自于微信公众号 “新智元”，作者 “新智元”