7.2
深览指数
科技量子位··AI 生成
AGI最难一战，竟在医院！中国AI登上Science，医生不怕失业还催着上线
阿里巴巴达摩院研发的通用腹部影像AI模型DAMO RADAR登上Science，该模型能一次识别18种解剖结构、146种疾病，在多项测试中AUC超过0.89，准确率超过23/26名放射科医生。文章解释了其核心突破——「器官级细粒度对齐」与「自适应对比建模」，并探讨了AI辅助对医生工作效率的提升以及可能对年轻医生培养路径带来的冲击。适合医疗AI从业者、公共卫生政策关注者、以及对AI在极端低容错场景落地感兴趣的读者阅读。原文 ↗
核心观点
- ▍Science刊发的研究证明，通过「器官级细粒度对齐」和「自适应对比建模」的通用AI范式，能够在医疗影像——这个对精度要求最高、容错率最低的领域——达到专家级水平，并具备Scaling Law持续提升的潜力。
- 01DAMO RADAR覆盖了腹部18种解剖结构、146种疾病，涵盖肝脏、胰腺、胆囊、肾脏等主要器官。
- 02在内部近3.9万例真实世界连续队列中，模型平均AUC达到0.913；在来自8家外部医院的超2.4万例CT上验证，AUC仍达0.895；急诊2.7万例测试AUC为0.904。
- 03针对肝癌、胰腺癌、胃癌、肠癌四种癌症，以病理活检结果为金标准，模型的AUC达0.891-0.984。
- 04人机对比实验中，来自14家医院的26名放射科医生参与，RADAR准确率超过其中23名医生，仅稍弱于3名资深医生。
- 05人机协同测试中，AI辅助使医生整体敏感度提升约10%，平均阅片时间减少30%以上；「初级医生+AI」的敏感性甚至超过资深医生独自阅片。
- 06模型的核心技术是通过视觉-语言对比学习实现「器官级细粒度对齐」，即先定位器官再精确对齐报告描述，灵感来自放射科医生逐一检查器官的工作方式。
- 07模型、代码、技术框架已全部开源，任何团队可复现、改进或迁移至其他影像模态（如MRI、PET、超声）。
反方 / 局限
- — 文章暗示了一个隐忧：年轻医生若过度依赖AI辅助，可能形成路径依赖，截断自身影像思维逻辑的长期培养过程。
- — 作者提出的解决方案是将AI转变为「一对一带教工具」，让年轻医生先独立诊断再与AI结果对比，实现自我检核。这一方案的有效性尚未在文章中通过实验数据验证。
11 分钟 · 3 卡片 · 7 资料
读原文 →