达摩院发布全球首个专家级通用腹部影像AI模型
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载从专病模型转向通用腹部
达摩院此前在胰腺癌、胃癌、肠癌等专病方向积累多年，用AI识别CT中肉眼难见的早期病灶。但团队在推进中遇到两个现实问题：单个病种往往要投入两三年，而人类疾病种类极多，按这个节奏难以覆盖；同时真实临床中一位患者常同时存在多器官、多类型病变，一份腹部CT里可能并存多种异常，专病模型无法一次回答。为此达摩院联合浙大一院等多家医院，把目标改为用一个模型覆盖整个腹部。选择腹部是因为它被临床视为影像中最难的场景之一：消化、泌尿、生殖系统器官密集相邻，肝胆胰脾肠道挤在一起，肠道盘绕腹腔，多数组织为密度接近的软组织，判断病灶主要依赖对密度差的敏感度。此前肺结节等部位已有AI辅助工具，腹部因结构复杂长期少有模型涉足。
覆盖范围与多层验证数据
RADAR覆盖18种解剖结构、146种疾病，涉及肝脏、胰腺、胆囊、肾脏、脾脏、肠道等主要器官，基本对应临床常见病变。效果验证分多层展开：内部近3.9万例真实世界连续队列中，平均AUC为0.913；AUC用于衡量模型区分患者与正常人的能力，1代表完美区分，0.5相当于随机猜测，超过0.9属于优异水平。随后在8家外部医院超过2.4万例CT上测试，这些数据来自不同地区、不同扫描设备，AUC仍为0.895。模型训练目标未包含急诊，但用2.7万例急诊数据测试时AUC为0.904；急诊因时间紧迫，造影剂难以充分发挥效果，患者配合度也不确定，成像质量偏差较大。针对肝癌、胰腺癌、胃癌、肠癌四种癌症，团队以病理活检结果作为金标准，AUC落在0.891至0.984之间。
人机对比与协同读片表现
人机对比共有14家医院的26名放射科医生参与，医生与RADAR在同一批病例上各自独立诊断，RADAR的准确率高于其中23名医生，仅稍弱于3名资深医生。团队还测试了协同场景：医生在AI辅助下读片，整体敏感度提升约10%，平均阅片时间减少30%以上；“初级医生+AI”的敏感性甚至超过资深医生独自阅片。这一结果指向的用法不是替代医生，而是把模型作为读片环节的辅助工具，让经验较少的医生在判断时多一层参照，同时压缩阅片耗时。
学习方式与器官级对齐
既往医疗影像AI多采用监督学习，需要医生逐张标注CT，标注成本高，且模型只能识别被标注过的病种。RADAR改用视觉-语言对比学习，直接利用医院中大量CT影像与对应诊断报告的对应关系学习，无需额外逐片标注。团队最初尝试将整张CT与整份报告对齐，效果不佳，模型只能学到粗糙统计特征，难以建立器官与描述的关联，因为一套腹部CT有几百张切片、包含多个器官，病灶可能只是某个器官上的小区域，关键信号容易被正常组织淹没。RADAR由此引入器官级细粒度对齐：先从CT中定位肝脏、胰腺、胆囊、肾脏等器官，把整套CT拆成器官单元，再与报告中对应描述精确对齐，这一思路参照放射科医生逐器官阅片的工作方式。团队还提出自适应对比建模，对标准对比学习中严格区分不同病人特征的默认做法作出调整。
为什么值得看
突破腹部影像AI禁区，通用模型性能超多数医生且全开源。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。