DAMO RADAR 是阿里巴巴达摩院联合浙江大学医学院附属第一医院等机构研发的通用腹部 CT 影像 AI 诊断系统。2026.9.18，描述这套系统的论文 An expert-level generalist AI for abdominal CT diagnosis 正式刊发于 Science 期刊，成为少见的登上该刊的医疗影像 AI 系统。
论文显示，RADAR 覆盖腹部 18 种解剖结构、146 种疾病，训练使用了超过 40 万例增强腹部 CT 检查与 1500 万组器官级图文对，学习过程直接利用临床报告文本，无需医生逐片标注。
核心要点
- 覆盖肝脏、胰腺、胆囊、肾脏、脾脏、肠道等 18 种解剖结构、146 种疾病
- 内部近 3.9 万例连续队列平均 AUC 达到 0.913，8 家外部医院 2.4 万例验证 AUC 为 0.895
- 2.7 万例急诊数据测试 AUC 为 0.904，急诊并不在训练目标之内
- 肝癌、胰腺癌、胃癌、肠癌四种癌症按病理金标准测试，AUC 区间为 0.891 至 0.984
- 与 14 家医院 26 名放射科医生对比，成绩超过其中 23 名
- 代码以 Apache-2.0 许可证开源，模型权重同步公开
研发与验证细节
技术路线
达摩院高级算法专家张建鹏（Jianpeng Zhang）介绍，单个专病模型从研发到落地至少要两三年，人类疾病数以千计，专病路线难以覆盖临床全貌，真实 CT 影像中往往多种器官与病变并存。
RADAR 采用视觉-语言对比学习路线，把一整套腹部 CT 拆解为肝脏、胰腺等器官单元，再与报告中的对应描述精确对齐，并以自适应对比建模按医学知识调整样本间距离。
临床验证
浙大一院放射科主任肖文波表示，腹部是公认最难的影像场景，年轻医生通常最怕被分到腹部组，中高年资医生写一份腹部 CT 报告也需要 20 分钟以上。
人机对比覆盖 14 家医院的 26 名放射科医生，RADAR 成绩超过其中 23 名，仅稍弱于 3 名资深医生；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。
达摩院资深算法专家张灵认为，Science 极少刊发医疗影像 AI 论文，RADAR 首次证明了通用医疗影像 AI 是一条具有现实可行性的技术路线。
与竞品对比
将 DAMO RADAR 与 IBM Watson 时代的医疗 AI 尝试以及传统专病模型对比，可以更直观地看到通用影像系统和专用工具的区别。
| 对比维度 | DAMO RADAR | 传统专病影像模型 | 放射科医生独立读片 |
|---|---|---|---|
| 病种覆盖 | 18 种解剖结构、146 种疾病 | 单一病种为主，需医生逐片标注训练 | 依赖长期病例经验积累 |
| 诊断表现 | 内部队列平均 AUC 0.913 | 仅能识别被标注过的病种 | 26 名医生中 23 名被模型超过 |
| 读片效率 | 协同模式下阅片时间缩短 30% 以上 | 通常只做单一病灶提示 | 中高年资医生单份报告约 20 分钟 |
常见问题
问. DAMO RADAR 是什么. RADAR 全称 Rapid Abdominal Diagnosis with AI and Radiology，是阿里达摩院研发的通用腹部 CT 影像 AI 诊断系统，论文于 2026.9.18 刊发在 Science 期刊。
问. 医院如何使用这套系统. 模型权重与推理代码已公开，科研与工程团队可在本地环境部署运行；临床场景中作为读片辅助，向放射科医生提示可能的病灶位置。
问. RADAR 与 IBM Watson 等医疗 AI 的区别是什么. IBM Watson 在医疗场景未能达到预期，RADAR 采用视觉-语言对比学习，直接从 40 万例 CT 与报告文本中学习，不依赖人工逐片标注，并在 146 种疾病上完成多层验证。
问. RADAR 的价格如何，能否免费获取. 代码遵循 Apache-2.0 许可证，模型权重与部分配套数据通过公开渠道发布，科研与工程用途免费下载，商用部署需结合自身场景评估。
论文发布当天，开源仓库同步更新了推理代码与模型权重，更新日志与训练、预处理文档一并公开，社区贡献者可基于该框架复现结果，或向 MRI、PET 等其他影像模态迁移。
本文最后更新 2026 年 9 月，事实细节以 Science 论文与开源仓库发布内容为准。
本文来源，Science《An expert-level generalist AI for abdominal CT diagnosis》https://www.science.org/doi/10.1126/science.aec6129
