如何让AI一次性看懂146种腹部病症？RADAR通用医学影像智能诊断模型及其多中心验证

研究背景：腹部CT为什么被称为「最难读的CT」？

一份腹部增强 CT 报告，往往要覆盖肝脏、胰腺、胆道、胃肠、泌尿等数十个器官，而多数器官都是密度相近的软组织，病灶信号在三维体数据里非常稀疏。浙大一院放射科主任肖文波有三十多年阅片经验，她直言「年轻医生最怕进的组，就是腹部影像组」——即便是中高级医生，完成一份腹部报告也要 20 到 30 分钟。

这种复杂性，直接造成了医学影像AI在腹部CT上的「一病一模」困境：传统模型一个只针对一种疾病，从立项到落地往往要两三年，还高度依赖医生逐病灶勾画标注，成本高、通用性差。换一类病变，模型就「无从下手」。

创新点：RADAR如何用一个模型识别146种病症？

2026 年 9 月 17 日，浙江大学医学院附属第一医院联合阿里巴巴达摩院，在《Science》发表研究，提出通用视觉-语言模型 RADAR（Rapid Abdominal Diagnosis with AI and Radiology，基于人工智能与放射学的快速腹部诊断）。

RADAR 的核心主张是：摆脱「一病一模」，一个模型覆盖腹部全部主要诊断任务。它面向腹部增强 CT，可输出覆盖 18 个解剖结构、146 种影像表现 的诊断判断，成为全球首个达到影像科专家水平的通用医学影像智能诊断模型。论文发表当日即宣布全面开源（代码采用 Apache 2.0 协议）。

其关键突破有两点：

• 不标病灶，向报告学习：模型直接学习临床 CT 影像与放射报告文本的对应关系，全程无需人工病灶标注，绕开了最昂贵的标注成本。
• 器官级细粒度对齐：把三维 CT 拆解为肝脏、胰腺、胃、肠、肾等 18 个解剖单元，分别与报告中相应描述对齐，复刻了放射科医生「按器官依次核查」的阅片逻辑。

技术原理：什么是「器官级细粒度对齐」？

一句话概括：RADAR 让 AI 照着医生的阅片顺序来学习。

传统视觉-语言学习直接把整张 CT 与整段报告配对，但 CT 有效信号稀疏，病灶往往只占极小区域，整体配对效果差。RADAR 采用器官级细粒度对齐策略，先把三维 CT 分解为独立解剖单元，再在器官层面实现影像与报告文本的精准匹配，并配以自适应对比建模动态调整——相当于把「大海捞针」变成「分门别类地找」。

训练数据方面，团队构建了 RAD-CT 数据集：包含 424,911 次增强腹部 CT 检查，衍生出超过 1500 万组器官级图文对。模型学到的不是某个病的专属特征，而是「器官—征象—文字」的通用关联。

数据说话：多中心验证结果如何？

RADAR 经过了内部、外部、急诊、病理四层验证，核心结果如下：

其中，内部队列 AUC 0.913 是首个达到专家级的成绩，跨人群零样本测试 AUC 也达 0.883。

人机对照更具说服力：在 14 家中心、26 名放射科医生、300 例检查、61 项发现 的读者研究中，AI 辅助下医生诊断敏感性提升 10.0%（P<0.001），阅片时间缩短 30.7%（P<0.001），且低年资医生表现趋近高年资专家；模型平均准确率超过了 26 名医生中的 23 名。

应用前景与局限

RADAR 的价值在于，它为腹部CT的 CT影像AI分析 提供了一条「通用、可扩展、可解释」的新范式：一个模型覆盖多器官、多病种，还能输出注意力热力图辅助解释，对阅片量大、基层医生经验不足的医院尤其有吸引力。

但也要冷静看待。研究以回顾性验证为主，尚缺乏前瞻性随机对照试验来评估其对临床结局（如患者转归）的影响；146 种表现主要覆盖影像学征象，不等于覆盖全部罕见病；模型在真实世界不同医疗系统、不同设备和疾病谱下的稳健性，仍需独立验证。作者也明确其定位是辅助诊断工具，最终诊断责任仍由医生承担。

结论

腹部CT的「难」，难在器官多、病灶杂、标注贵。RADAR 用视觉-语言学习 + 器官级细粒度对齐，证明了一件事：不靠人工标注，一个通用模型也能在腹部CT上达到专家级诊断水平，并实实在在帮医生少漏诊、快阅片。它是「一病一模」走向「通用医学影像AI」的一个标志性样本，也为复杂放射诊断任务的通用型 AI 提供了一条可落地、已开源的技术路线。

论文原文信息地址：https://www.simomia.com/blog/2026-09-28-radar-generalist-abdominal-ct-diagnosis/

参考文献

1. Zhang Q, Zhang J, Cao W, et al. An expert-level generalist AI for abdominal CT diagnosis. Science. 2026;393(6817):eaec6129. DOI: 10.1126/science.aec6129
2. Zhang X, Li C, et al. Large-scale AI-guided liver malignancy diagnosis: multicenter study and a single-arm trial. Nat Med. 2026. DOI: 10.1038/s41591-026-04589-y
3. Radford A, Kim JW, Hallacy C, et al. Learning transferable visual models from natural language supervision. Proc ICML. 2021. DOI: 10.48550/arXiv.2103.00020

相关问题 FAQ

CT影像AI诊断是什么？

CT影像AI诊断，是指用人工智能模型对 CT 影像进行自动判读，输出病变或征象的检测、分类与诊断建议。传统做法多为「一病一模」——一个模型只识别一种疾病；而 RADAR 这类通用模型则用一个模型覆盖腹部 18 个器官、146 种影像表现，输入一次增强 CT 即可给出多器官、多病种的诊断判断，并用注意力热力图提示病灶位置，辅助医生快速、准确地完成阅片。

RADAR 不靠人工标注，是怎么学会诊断的？

RADAR 采用视觉-语言学习，直接学习海量临床 CT 影像与放射科医生所写报告文本之间的对应关系，而非依赖医生逐病灶勾画的标注数据。它的关键创新是「器官级细粒度对齐」——把三维 CT 拆成 18 个解剖单元，分别与报告中对应描述对齐，再通过自适应对比学习训练。这样既绕开了昂贵的标注成本，又让模型学到了「器官—征象—文字」的通用关联。

RADAR 这样的通用影像AI会取代影像科医生吗？

不会。RADAR 的定位是辅助诊断工具，用于帮医生减少漏诊、缩短阅片时间；其验证以回顾性为主，尚缺乏前瞻性随机对照试验来证明它对临床结局的改善。研究中 AI 辅助使医生敏感性提升约 10%、阅片时间缩短约 30%，但最终诊断决策和责任仍由医生承担。