登上Science：国产医疗AI新突破！阿里×浙大合作开发专家级通用AI模型，一次识别146种病症

撰文丨王聪

编辑丨王多鱼

排版丨水成文

放射学（Radiology）对现代临床诊断至关重要，能够实现多种疾病的检测与特征分析。该领域长期以来的一个愿景是开发出一种通用人工智能（Generalist Artificial Intelligence），能够在各种真实临床场景中提供专家诊断支持。

增强对比度的腹部计算机断层扫描（CT）是其中最具挑战性的任务之一，需要评估数十个器官和数百种病变情况。尽管在特定领域已取得重要进展，但当前的 AI 解决方案在疾病覆盖范围和准确率方面仍存在局限，且主要依赖成本高昂的手动标注监督学习，限制了其在开放性临床环境中的可扩展性和适用性。

2026 年 9 月 18 日，浙江大学医学院附属第一医院梁廷波教授、章琦教授、肖文波教授联合阿里巴巴达摩院算法专家张灵、张建鹏等人，在国际顶尖学术期刊Science上发表了题为：An expert- level generalist AI for abdominal CT diagnosis 的研究论文。

该研究开发了一款专家级通用医疗影像AI模型——RADAR，这是一种视觉-语言模型，在无需人工标注的情况下表现出色，即使面对训练过程中未曾见过的异常情况也能有效识别。论文显示，该模型用于腹部增强 CT 诊断，可一次性识别超过 146 种病症，其准确性首次达到影像科专家级水平，此外，RADAR 的辅助可使影像科专家的诊断敏感性提升了约 10%。

这些结果表明，RADAR 为腹部 CT 提供了一种可扩展、多功能且可解释的解决方案，证明了通用医疗 AI 能够在一般性和复杂性的放射学任务中与人类专家相媲美。

RADAR模型的开发与部署示意图。RADAR 将视觉-语言学习应用于大量未标注的腹部 CT 图像及报告数据集，能够在多种解剖结构和病变类型中实现专家级诊断，它作为通用 AI 助手，能够助力放射科医生并提升其诊断能力

放射学中的人工智能（AI）旨在实现对多种临床任务的专家级诊断，但现有的监督学习方法在应用范围上仍存在局限。

视觉-语言学习，通过在配对的图像-文本数据上训练模型，为依赖大量人工标注的监督学习提供了一种替代方案。其核心原理是在共享表示空间中，将来自同一患者的视觉与文本嵌入拉近，同时将不同患者的嵌入彼此分离。然而，由于腹部 CT具有解剖结构复杂、诊断信号稀疏的特点，在自然图像领域行之有效的方法难以直接迁移到该场景。

为了攻克这些障碍，研究团队研发了RADAR（RapidAbdominalDiagnosis withAI andRadiology）。这是一个细粒度的视觉-语言框架，它将 CT 影像拆解为解剖单元，通过自适应对比学习将其与诊断文本报告对齐，从而无需额外人工标注即可实现可扩展、通用且可解释的诊断。

研究团队构建了一个大型腹部 CT 数据集——RAD-CT，其包含 424911 次检查及 1500 万个解剖单元配对，用于细粒度的大规模训练。在18 个解剖结构和146 项影像学发现上评估，RADAR 在包含 39160 次检查的真实世界内部队列中，对 146 项发现的诊断实现了0.913的受试者工作特征曲线下面积（AUC），并在 8 个外部医疗中心实现了 0.874-0.912 的 AUC。

在针对四类癌症（肝癌、胰腺癌、胃癌和结直肠癌）的病理确诊评估中，性能达到 0.891-0.984的 AUC。在另一个跨人群队列中，RADAR 无需任何微调即实现了 0.883 的 AUC。在急性腹部病症（这部分曾被排除在初始训练之外）中，RADAR 仍保持高性能，AUC=0.904，凸显了其对紧急、陌生场景的强大泛化能力。在一项包含来自 14 个医疗中心的 26 名放射科医生的阅片挑战中，RADAR 的表现优于大多数放射科医生，并在协作使用中将灵敏度提高了约 10%。

RADAR的开发、评估及临床应用示意图

此外，RADAR 还提供注意力图来突出与诊断相关的视觉线索，从而促进更好的解读——这一功能在临床实践中具有重要价值。

总的来说，该研究开发的RADAR是一种通用 AI 模型，基于可扩展的视觉-语言框架构建，直接在大规模临床报告上进行训练，无需人工标注。该模型在腹部 CT 影像解读中实现了广泛的诊断覆盖和高准确率，并作为辅助阅片工具显著提升了放射科医生的敏感性。该研究表明，大规模视觉-语言学习可能为高效开发适用于复杂且多样化的放射学解读任务的通用 AI 系统提供一条切实可行的路径。

2026 年 8 月 19 日，中国医科大学附属盛京医院石喻教授、阿里巴巴达摩院张灵、浙江大学医学院附属第一医院梁廷波教授、中国医科大学附属盛京医院侯阳教授、浙江大学医学院附属第一医院章琦教授等（张笑铭、李春利等人为论文共同第一作者），在国际顶尖医学期刊Nature Medicine上发表了题为：Large-scale AI-guided liver malignancy diagnosis: multicenter study and a single-arm trial 的研究论文。

该研究开发了基于增强 CT（CE-CT）的 AI 系统——肝脏诊断网络（Liver DiagnOsis Network，简称为 LiON），这也是全球首个大规模、多中心、真实世界部署的肝脏恶性肿瘤 AI 辅助诊断系统，在 10000 多例真实世界临床诊断场景中，找到了 15 个原本被遗漏的肝脏恶性肿瘤病例。

2025 年 8 月 20 日，阿里巴巴达摩院联合浙江大学医学院附属第一医院张鸿坤教授、浙江大学黄正行教授、衢州市人民医院陆炜医生、绍兴市中心医院王国富医生、上海长海医院邵成伟医生、边云医生、南京鼓楼医院李晓强教授、浙江大学附属第一医院肖文波教授等，在国际顶尖医学期刊Nature Medicine上发表了题为：AI-based diagnosis of acute aortic syndrome from noncontrast CT 的研究论文。

该研究开发了一款基于人工智能（AI）的预警系统——iAorta，该系统利用普通 CT（平扫 CT）在中国对急性主动脉综合征（AAS）进行识别，其准确率极高，并为临床医生提供可解释的预警，有助于防止 AAS 的诊断延迟和漏诊，从而挽救患者生命。

论文链接：

https://www.science.org/doi/10.1126/science.aec6129