达摩院DAMO RADAR登上《科学》正刊并开源：全球首个专家级通用医疗影像AI，单张腹部CT识别146种病症，准确率超26名影像科医生中的23名

【新闻原文】 北京时间9月18日凌晨，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医疗影像AI模型 DAMO RADAR，以《一个面向腹部CT诊断的专家级通才AI》为题登上国际顶级学术期刊《科学》（Science）正刊（Vol.393, Issue 6817, DOI:10.1126/science.aec6129），并正式开源模型、核心代码及全套技术框架（github.com/alibaba-damo-academy/damo-radar）。该模型面向腹部增强CT诊断——临床公认最复杂的影像场景之一，可一次性识别18个器官、146种腹部病症，涵盖各类恶性肿瘤等危重病变。技术上，研究团队摒弃传统"一病一模"的人工标注模式，采用视觉-语言学习框架，直接学习海量CT影像与诊断报告的内在关联；针对CT信号稀疏难题，国际首创"器官级细粒度对齐"策略，将三维CT数据拆解为独立解剖单元，在器官层面实现影像与报告文本的精准对齐，配合自适应对比建模完成训练。验证数据方面：近4万例内部连续临床病例中平均AUC达0.913；8家外部医院超2.4万例验证AUC为0.874-0.912；针对未训练过的急腹症场景AUC仍达0.904；肝、胰、胃、结直肠癌病理金标准评估AUC为0.891-0.984。在覆盖14家医院、26名影像科医生的人机对比试验中，模型平均诊断准确率超过其中23名医生；AI辅助下医生诊断敏感度提升约10%、阅片耗时缩短30.7%，低年资医生借助AI可达到高年资专家水平。达摩院此前已有DAMO PANDA（胰腺癌，Nature Medicine 2023）、GRAPE（胃癌）、COCA（肠癌）、LiON（肝癌）、iAorta（主动脉夹层）等模型，三年内斩获5篇《自然·医学》。 【企服观察】 DAMO RADAR登上《科学》正刊，被很多人解读为医疗AI的里程碑，但如果只看到"AI又赢了医生一次"，就浪费了这条新闻真正的信息量。它验证的是一条对企业服务同样成立的技术路线：用"通用模型+真实数据对"替代"专用模型+人工标注"，可能成为未来十年垂直行业AI的主流水位线。 第一，"器官级细粒度对齐"的思路可以跨行业迁移。达摩院的核心创新不是更大的模型，而是把三维CT拆成器官级解剖单元，再让每个单元与报告中的对应语句精确对齐——本质上是把粗粒度的"图-文配对"细化成结构化的"单元-语句"映射。企服行业处处存在类似机会：把一整套合同拆成条款与风险规则对齐、把一段代码仓库拆成模块与文档对齐、把一套财务报表拆成科目与审计说明对齐。凡是"专家经验藏在文本里、数据藏在系统里"的行业，都值得用这套范式重做一遍。与其追问"医疗AI怎么用"，不如问"我的行业里，哪个环节存在大量未被利用的'数据-报告'天然配对"。 第二，开源策略重新划分了医疗影像AI的竞争边界。RADAR把模型、代码、框架全部开源，直接拆掉了专病影像厂商赖以生存的授权壁垒——单病种模型卖license的商业模式（肺结节筛查曾是最拥挤的赛道）在146病种通才模型面前将快速贬值。这给所有做垂直AI产品的服务商敲了警钟：如果你的护城河只是"在某个细分场景训练了一个模型"，而别人用开源基座加行业数据就能在几个月内追平，那你的壁垒其实是数据获取能力而非模型能力。未来垂直AI公司的估值锚点会从"模型精度"转向"数据闭环+场景通道+交付网络"。 第三，人机协同的数据比人机对决的数据更有商业价值。模型独立诊断超过23名医生固然抢眼，但真正让医院"催着上线"的是协同数据：敏感度提升10%、阅片时间缩短30%、低年资医生被拉齐到高年资水平。医疗资源分布不均是结构性问题，基层医院的痛点不是"没有顶级医生"，而是"平均读片水平不够"。这提示企服产品经理：设计AI产品时不要做"替代专家"的叙事，要做"放大普通从业者"的叙事——后者市场大十倍，采购阻力小百倍。 第四，《科学》杂志审稿口径的变化是一个先行指标。据团队透露，该刊极少发医疗影像AI论文，因为长期视其为工程问题；RADAR让审稿人把它当作科学问题对待。当顶级学术机构开始为"通用垂直AI"背书，产业界的保守派（医院信息科、企业IT部门）的采购心理阈值也会随之下移，这对整个AI企服行业都是信心的加注。 风险与冷静项：AUC 0.913是研究环境数据，真实医院PACS系统集成、责任界定、医疗器械注册（NMPA三类证）仍是漫漫长路；开源后如何防止误用、错误诊断的责任链问题尚无定论；达摩院自身不靠影像软件直接变现，其商业动机（为阿里云导入算力与存储负载）决定了开源可持续性需持续观察。 行动建议：医疗行业服务商应在三个月内完成RADAR开源模型的本地化评测，重点测试基层医院真实数据上的表现并规划注册路径；非医疗行业的产品团队则应组织一次"对齐范式"专题研讨，把"细粒度单元对齐"方法套用到自己行业的专家文本资产上，找出可复制的第一个场景。医疗是AI最严苛的试炼场，这里被验证的方法论，很快会在你的行业重演。