产品Bestblogs·晚点LatePost··AI 生成
阿里达摩院医疗 AI，十年拼出一张图
文章复盘了阿里达摩院医疗 AI 十年演进，从早期跟风做同质化单病模型，到通过胰腺癌平扫筛查 PANDA（Nature Medicine）确立「平扫 CT+AI」范式，再到通用模型 RADAR 登陆 Science，实现腹部增强 CT 146 种病症识别。核心贡献在于揭示了团队如何以具体临床痛点（胰腺癌无筛查方案、主动脉夹层漏诊率高）反向驱动技术路线切换，而非追逐概念。适合关注 AI 医疗落地、科技公司长期研发策略的读者，能获取从单病到全局、从技术到产品的完整决策脉络。原文 ↗原文 ↗
核心观点
- ▍达摩院医疗 AI 十年演进的核心，是从「复刻医生能力」转向「解决医生做不到的事」，以胰腺癌平扫 CT 筛查为范式分水岭，最终走出「专病模型做筛查、通用模型做诊断」的双轨路径。
- 012020 年新冠疫情催生的全国级 AI 辅诊系统（诊断能力等同 20 年专家），让团队第一次看清 AI 能识别人眼难辨的影像模式，从而转向「做到医生做不到」的临床硬钉子。
- 02胰腺癌平扫 CT 模型 PANDA（发表于 Nature Medicine）将误报率压至 1‰，在连续两万人真实筛查中发现两例漏诊早期胰腺癌，验证了「平扫 CT + AI」的临床价值。
- 03心血管团队 iAorta 模型将主动脉夹层初诊漏诊率从 48.8% 降至 4.8%，解决了该急危重症致死率高的困境。
- 04「一扫多查」策略将平扫 CT 一次 200 元检查覆盖七大高发癌症，替代传统 3000 元组合筛查，在宁波落地 24 万例，发现 84 例胰腺癌（含 43 例早期）。
- 05通用模型 RADAR（Science）实现腹部增强 CT 上 146 种病症的专家级识别与零样本诊断，外部验证 AUC 0.895，单独读片超越 23/26 名医生。
- 06RADAR 的创新在于「器官级拆解+自适应对比建模」，将 CT 与报告按 18 个解剖单元对齐，修正了对比学习中「健康器官应相似」的强先验假设。
反方 / 局限
- — RADAR 目前仅适配增强 CT，在平扫 CT 上的精度仍不及专病模型 PANDA；因此团队判断未来五年内两条技术路线将长期并行。
- — 通用模型的「零样本」能力只在 RADAR 已训练的器官结构框架内有效，对于全新解剖结构或罕见影像模式，仍需新的训练数据支撑。
- — 文章末段提到「伦理与法律框架仍需共建」，暗示当前医疗 AI 面临的审批、责任界定、数据隐私等关键瓶颈并未解决，但未展开分析。
前置背景
功能拆解
平行视角
未来推演
延伸追问