阿里开源医疗AI，一次筛查146种病
阿里达摩院正式开源医疗影像模型 DAMO RADAR，可通过腹部增强 CT 一次识别超过146种病症。相比单病种模型，它更接近放射科医生的综合阅片方式，但距离临床普及仍隔着外部验证、监管审批和部署成本三道门槛。
阿里巴巴达摩院近日正式开源通用医疗影像 AI 模型 DAMO RADAR，模型面向腹部增强 CT，可在一次检查中识别超过 146 种疾病和异常表现，覆盖癌症、血管疾病、炎症及其他腹部常见病症。
这不是一个用来回答健康问题的医疗聊天机器人，而是一套面向放射影像分析的专业模型。DAMO RADAR 的核心任务，是读取腹部增强 CT 中连续的三维影像，在多个器官、多个病种之间同时寻找异常，并向医生提供辅助判断。
据公开报道，DAMO RADAR 由阿里巴巴达摩院与浙江大学医学院附属第一医院等机构共同研发，相关研究已发表于国际学术期刊《Science》。研究团队称，其整体诊断能力首次达到影像科专家级水平，目前模型已经开放源代码与权重。
DAMO RADAR 是什么
DAMO RADAR 是一个面向腹部增强 CT 的多器官、多病种医疗影像基础模型。 它试图用同一套模型完成过去需要多个专用算法分别处理的识别任务，并将一次 CT 检查转化为覆盖多种疾病的系统性筛查。
腹部 CT 是医学影像中难度较高的一类数据。肝脏、胆囊、胰腺、脾脏、肾脏、胃肠道和主要血管集中在同一区域，不同器官的边界、病灶形态和增强特征差异明显，同一种疾病在不同患者身上的表现也可能并不一致。
传统医疗 AI 通常采取“一个模型解决一个问题”的路线。肺结节模型专门寻找肺结节，胰腺癌模型只判断胰腺异常，主动脉模型则聚焦血管急症，这种方式容易优化单项指标，却很难复现放射科医生完整阅片的工作流程。
DAMO RADAR 的变化在于把识别范围扩展到了超过146种病症。医生读取腹部 CT 时并不会只看一个预设目标，而是需要按器官逐项检查，并处理同时出现的多个异常；多病种模型因此比单病种分类器更接近真实临床场景。
公开信息显示，DAMO RADAR 主要处理的是腹部增强 CT，而不是所有医学影像。所谓增强 CT，是在注射造影剂后分阶段采集影像，病灶与血管会呈现不同的强化模式，因此通常比普通平扫 CT 提供更多诊断信息，但数据维度、扫描协议和阅片复杂度也更高。
146种病，不等于一个模型包打天下
“识别146种病症”指的是模型覆盖范围，而不是对每一种疾病都拥有完全相同的准确率。 医疗模型的真实水平需要结合每个病种的敏感度、特异度、阳性预测值、阴性预测值及外部验证结果判断，不能只看一个病种数量。
现有报道尚未完整披露 DAMO RADAR 在146种病症上的逐项指标。对于高发疾病，训练数据通常更充足；对于罕见病、小病灶或影像表现不典型的疾病，模型可能面临样本不足、类别不平衡和漏诊风险。
“达到影像科专家级水平”也需要放回具体实验条件理解。测试集来自哪些医院、使用哪些品牌的 CT 设备、患者年龄和疾病分布如何、是否进行跨地区外部验证，都会影响结果能否复制到另一家医院。
医疗 AI 最容易出现的问题不是完全看不懂影像，而是在数据分布变化后性能下降。模型在大型三甲医院数据上表现优秀，并不代表它面对县级医院设备、不同层厚、不同造影剂时相或带有运动伪影的扫描时，仍能维持同样的准确度。
因此，DAMO RADAR 更准确的定位是“多病种辅助诊断底座”，而不是自动代替医生做出最终诊断的机器。它可以先标出疑似异常、整理检查清单和提供第二意见，但最终判断仍需要结合病史、化验、病理及其他检查结果。
阿里为什么从胰腺癌模型走向通用模型
DAMO RADAR 延续了达摩院此前“一扫多筛”的医疗 AI 路线。 这条路线希望从一次 CT 中提取多个疾病信号，提高现有检查数据的利用效率，而不是要求患者为每种疾病分别接受一次检查。
达摩院此前推出过胰腺癌筛查模型 DAMO PANDA。该模型主要从平扫 CT 中识别肉眼难以发现的早期胰腺癌征兆，并在2025年获得美国食品药品监督管理局 FDA 的“突破性医疗器械”认定。
FDA 的突破性医疗器械认定并不等于产品已经获得上市批准。该资格意味着产品可能针对严重疾病提供更有效的诊断或治疗方式，可以获得更密切的监管沟通和优先审评，但仍需完成后续验证与审批。
达摩院此前还研发过统一多癌影像模型 cancerUniT，覆盖肺癌、结直肠癌、肝癌、胃癌、乳腺癌、食管癌、胰腺癌和肾癌等8种癌症。cancerUniT 更强调跨器官肿瘤检测、分割和诊断，DAMO RADAR 则把范围进一步扩大到腹部多器官和超过146种病症。
| 模型 | 主要输入 | 覆盖范围 | 核心定位 | 当前公开进展 | |---|---|---:|---|---| | DAMO RADAR | 腹部增强 CT | 超过146种病症 | 多器官、多病种综合识别 | 已发表研究并宣布开源 | | DAMO PANDA | 平扫 CT | 以胰腺癌筛查为主 | 发现早期、微小胰腺病灶 | 2025年获 FDA 突破性医疗器械认定 | | cancerUniT | 多器官肿瘤影像 | 8种主流癌症及相关亚型 | 统一完成肿瘤检测、分割与诊断 | 已进入多家合作医院测试 | | 传统单病种模型 | 特定部位 CT 或 MRI | 通常为1种疾病或单一任务 | 针对单项指标进行优化 | 部署相对简单，但覆盖面有限 |
这三类模型反映了医疗 AI 技术路线的变化：先把单病种做到足够准，再把多个专科模型整合成统一系统，最终形成能够在一次影像检查中处理多个临床问题的通用底座。
开源的价值不是“免费”，而是可验证
医疗模型开源最重要的价值，是让医院和研究机构能够独立验证模型，而不只是降低软件获取成本。 在高风险医疗场景中，模型能否被审查、复现和针对本地数据重新评估，往往比演示效果更重要。
闭源医疗 AI 通常只能提供固定接口或完整软件，医院很难了解模型的训练边界，也难以针对本地人群进行适配。开放权重后，研究团队可以在院内环境中完成推理，对不同设备、地区和疾病谱开展回顾性验证。
本地部署还可以减少原始医学影像离开医院的必要性。一次腹部 CT 通常包含数百张 DICOM 图像，其中不仅有身体影像，还可能带有患者身份和检查信息，因此数据传输、脱敏、授权和审计都有严格要求。
开源也有利于开发者把模型接入现有放射科工作流。例如，系统可以在影像进入 PACS 后自动分析，把高风险病例排到医生工作列表前方，或者在医生完成初步报告后提示可能遗漏的器官和病灶。
但开源不等于零成本部署。三维 CT 模型通常需要较大的显存、稳定的预处理流程和医院信息系统集成能力，真实成本还包括 GPU 服务器、存储、网络隔离、数据治理、模型监控和医工团队的人力投入。
开源许可证同样值得开发者重点核对。代码可见、权重可下载、允许研究使用、允许商业部署和允许再分发是不同层级的权限，医疗机构和创业公司不能仅凭“开源”两个字判断模型是否可以直接用于商业产品。
真正有用的场景，是减少漏诊和重复劳动
DAMO RADAR 最现实的价值，是成为放射科医生的第二阅片者。 腹部 CT 涉及器官多、影像序列长，医生在高负荷环境下容易把注意力集中在主要症状对应的部位，而忽略与本次就诊原因无关的偶发异常。
多病种模型可以系统地检查肝脏、胰腺、肾脏、脾脏、胃肠道和主要血管。即使患者因腹痛接受检查，模型也可能同时提示早期肿瘤、血管异常或其他需要随访的病变，这正是“一扫多筛”的临床意义。
急诊分诊是另一个潜在场景。对于主动脉综合征、内出血或严重炎症等时间敏感疾病，AI 可以先行扫描待阅片队列，把疑似高风险病例优先推送给医生，而不是让模型直接给患者下诊断。
基层医院也可能从中受益。部分县域医疗机构已经具备 CT 设备，但缺少经验丰富的腹部影像专家；如果模型经过本地验证，它可以帮助基层医生发现需要转诊或远程会诊的病例。
科研机构则可以把 DAMO RADAR 作为基础模型继续微调。开发者不必从零收集海量三维 CT 数据训练视觉编码器，而是可以围绕特定器官、罕见病、术后随访或疗效评估构建下游模型。
临床落地仍有三道硬门槛
监管审批是 DAMO RADAR 从研究模型走向临床产品的第一道门槛。 医疗 AI 一旦参与诊断流程，就可能被视为医疗器械软件，需要明确预期用途、适用人群、性能边界、风险控制和版本更新机制。
大规模外部验证是第二道门槛。 一个多病种模型需要面对不同医院、不同 CT 品牌、不同扫描协议和不同患者群体，146种病症意味着验证工作量远高于单病种产品。
责任边界是第三道门槛。 当 AI 漏掉病灶、错误提示癌症或与医生意见冲突时，医院需要清楚记录模型版本、输入数据、输出结果及医生是否采纳建议，并建立持续监控和复核机制。
假阳性尤其可能成为多病种模型的实际负担。即使每个病种的误报率都不算高，当系统同时检查146种异常时，累积提示数量仍可能增加，最终导致医生需要处理大量无效警报。
模型更新也不能照搬通用 AI 的快速迭代方式。医疗软件每次调整权重、阈值或预处理步骤，都可能改变敏感度和特异度，医院不能在没有验证的情况下频繁替换线上版本。
它比医疗大模型更接近真实生产力
DAMO RADAR 的意义不在于追逐参数规模，而在于解决一个边界明确、价值可测量的临床问题。 与擅长生成文本的医疗语言模型相比，影像模型的输入、输出和评价指标更具体，也更容易通过回顾性试验和前瞻性研究验证。
这类模型的竞争重点不是聊天体验，而是能否减少漏诊、缩短报告时间和改善患者结局。真正有说服力的数据应包括每例检查节省多少分钟、危急病例提前多少时间发现，以及在真实工作流中减少多少漏诊，而不仅是测试集上的平均准确率。
DAMO RADAR 也代表国内开源模型竞争正在进入垂直行业深水区。通用语言模型已经形成相对成熟的开源生态，医疗影像则同时涉及专业数据、三维计算、隐私保护和监管审批，技术壁垒与交付难度都更高。
现阶段应重点关注什么
开发者和医疗机构接下来应优先核实模型卡、数据说明和开源许可，而不是只关注146这个数字。 一个可以严肃使用的医疗模型，至少应说明训练数据来源、患者纳入标准、影像预处理方式、适用设备、已知限制及各病种测试指标。
后续值得跟踪的关键问题包括：
- 模型是否公布逐病种指标。 平均性能无法代表罕见病、小病灶和早期癌症的识别能力。
- 是否完成多中心外部验证。 单一医院测试结果很容易受到设备、流程和患者分布影响。
- 推理成本是否适合院内部署。 医院需要知道显存需求、单例耗时和并发能力。
- 开源许可是否允许商业应用。 研究可用不等于可以直接集成到收费产品。
- 是否进入前瞻性临床试验。 回顾性数据验证无法完全模拟真实阅片流程。
- 是否获得医疗器械审批。 论文发表和监管准入是两套不同的评价体系。
OpenAI Hub 观点
DAMO RADAR 是一次有实际分量的医疗 AI 开源，但现在谈“AI 医生”仍然过早。 一次识别超过146种病症，意味着医疗影像模型开始从专病工具走向多器官综合系统，也让基层部署和本地化研究有了更低的起点。
它真正的突破不是把病种列表做得更长，而是尝试用一个统一模型复现放射科医生的完整阅片思路。如果后续多中心验证能够证明模型在不同医院和设备上保持稳定，并在真实工作流中降低漏诊率，它的价值会明显高于又一个医疗问答机器人。
但医疗场景没有“先上线再迭代”的宽容度。开源解决的是技术获取和独立验证问题，临床信任仍需要逐病种性能、前瞻性试验、监管审批和长期运行数据来建立。
阿里已经把模型和权重交给了社区，下一步真正决定 DAMO RADAR 上限的，不是论文中的最好成绩，而是它能否在复杂、嘈杂且责任明确的医院环境里持续可靠地工作。
参考来源
- Hugging Face：DAMO RADAR 模型与相关资源检索 — 用于查询模型卡、权重、许可证及社区衍生版本，具体信息应以发布团队上传的官方页面为准。
- GitHub：DAMO RADAR 开源项目检索 — 用于查找代码仓库、部署说明和后续社区实现，使用前需确认仓库所属组织与授权条款。
