一次识别146种病症！湖畔实验室通用医疗影像模型登《科学》

医疗影像是众多疾病诊断的关键依据，而腹部CT是临床最复杂的影像之一，涉及数十个组织器官和数百种潜在异常或病变。现有医疗影像AI在专用模型上取得了众多进展，但一个模型只针对特定场景的特定疾病。“一病一模”在训练上依赖大量人工标注，成本高、耗时长，通用性差，难以满足复杂的真实临床需求。

为解决这一难题，湖畔实验室（达摩院）采用视觉-语言学习方法（Vision-Language Learning），让模型直接学习医学影像和相对应报告文本的内在关联信息。

湖畔实验室（达摩院）高级算法专家张建鹏表示，由于CT数据信号稀疏，常规的视觉-语言学习效果不佳，该项研究在国际上首次采用“器官级细粒度对齐”策略，将CT构建三维数据并分解为解剖单元，在组织器官层面实现图像与报告文本的精确对齐，并通过自适应对比建模策略来动态调整，无需额外人工标注即可完成可扩展、多用途、可解释的诊断。

网页截图

最终，DAMO RADAR覆盖了含恶性肿瘤在内的广泛腹部病症，研究团队评估了其中146种，涉及18个器官。在近4万次真实世界检查中AUC可达0.913（AUC是区分患者与正常人的能力指标，数值越高越好，1代表能进行完美区分），成为首个达到专家水平的通用医学影像AI模型。

论文显示，DAMO RADAR与26名来自多家医院的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。在AI提示下，影像科医生识别疾病的敏感性（防漏诊的能力）提高了10%，用时则减少了30%以上，并使低年资医生达到了高年资医生的诊断水平。

一次识别146种病症

浙大一院放射科主任肖文波表示，“腹部CT诊断是最具挑战的影像任务之一，长期缺乏一种通用的辅助诊断模型。DAMO RADAR首次实现了腹部多器官、多病种的高准确检出，能像‘导航’一样为医生提供诊断支持，也有望帮助更多患者得到及时、准确的治疗。”

值得一提的是，DAMO RADAR面对初始训练之外的急诊场景依然能展现出较高的性能，在急腹症上AUC达到0.904。“它原生具有良好的泛化能力和通用性，其研究范式不仅可用于腹部CT的多病种识别，还有望应用于其他形态的医疗影像，这将加速通用人工智能的到来。”达摩院资深算法专家张灵表示。

据悉，湖畔实验室（达摩院）长期投入医疗AI，用AI识别CT影像中肉眼难以识别的微小病灶，先后突破了胰腺癌、胃癌、肠癌等消化系统肿瘤筛查，以及主动脉夹层预警，三年内斩获5篇《自然·医学》和10多篇其余顶刊论文。此次，湖畔实验室（达摩院）推出并开源了多场景、多病种的通用模型DAMO RADAR，树立了医疗影像AI的全新里程碑，有望推动医疗行业向AGI时代迈进。