阿里巴巴DAMO RADAR對146種疾病診斷準確度達專家水準

阿里巴巴達摩院的DAMO RADAR成為首個達到專家級放射科醫師水準的通用醫學影像模型，僅憑一次電腦斷層掃描即可診斷146種腹部疾病，平均AUC達0.913，相關研究於9月18日刊登於《Science》。

根據論文內容及研究團隊說法，該模型在一對一的準確度測試中擊敗26位放射科醫師中的23位，研究團隊並已依開源授權釋出模型、程式碼與訓練框架。

RADAR全稱為「運用AI與放射學的快速腹部診斷」（Rapid Abdominal Diagnosis with AI and Radiology），由浙江大學醫學院附屬第一醫院等多家醫院共同打造。其涵蓋肝臟、胰臟、膽囊、腎臟、脾臟及腸道等18個解剖結構。在近3.9萬例真實世界病例的內部連續隊列中，平均AUC達0.913；在來自8家外部醫院、使用不同掃描儀與不同地區的逾2.4萬份電腦斷層掃描中，AUC維持在0.895。在2.7萬例從未納入其訓練目標的急診病例測試中，AUC達到0.904。

在肝癌、胰臟癌、胃癌與大腸直腸癌方面，團隊以病理切片作為黃金標準，AUC介於0.891至0.984之間。在人機協作中，放射科醫師搭配該模型閱片，整體敏感度提升約10%，平均閱片時間縮短逾30%。由初階醫師加上AI的組合，其敏感度超越資深醫師單獨閱片。

與過往醫學影像AI的技術分水嶺在於訓練方法。早期系統採用監督式學習，須由醫師逐張標註電腦斷層切片，並使模型僅限於已標註的疾病。RADAR則改採視覺—語言對比學習，從既有電腦斷層影像與其診斷報告的配對中學習。團隊的核心創新在於器官層級的細粒度對齊：模型先分割出肝臟、胰臟、膽囊與腎臟，再將每個器官單元與報告中對應的句子對齊。第二項技術為自適應對比建模，會調整樣本之間的距離，以免兩個健康的肝臟被推開，彷彿它們是不同疾病。

論文中的規模化曲線顯示，效能仍隨資料量增加而持續提升，未見飽和跡象。

開源對阿里巴巴而言是雙面刃

釋出權重與框架，是商業後果最為明確的一項決定。它瓦解了專有腹部影像廠商所倚賴的授權護城河，也降低了任何醫院集團或設備製造商在此模型上進行開發的成本。包括聯影醫療與推想科技在內的中國醫學影像AI廠商，其業務均建立於狹窄的單一適應症模型之上——其中以肺結節最為擁擠——而RADAR以單一模型涵蓋146種疾病，直接衝擊這樣的產品架構。

阿里巴巴並不將醫學影像軟體作為獨立產品銷售。其策略價值在於阿里雲——醫院部署通用影像模型將帶來運算、儲存與資料負載；同時也在於此舉為公司更廣泛的AI技術堆疊（包括通義千問模型系列）所帶來的公信力。達摩院已在《Nature Medicine》發表五篇關於胰臟癌、胃癌與大腸直腸癌偵測的論文，而據達摩院資深演算法專家張靈表示，此次登上《Science》，是該期刊首次將通用醫學影像AI視為科學問題、而非工程問題。

臨床端的拉動力真實存在。浙江大學醫學院附屬第一醫院放射科主任肖文波表示，該科室的反應相當直接。她說：「AI能一次在腹部這麼多相似結構中偵測出146種疾病，AUC約在0.9，這完全超乎所有醫師的預期。」一份完整的腹部電腦斷層報告，資深放射科醫師至少需時20分鐘，而她旗下逾300名員工的科室每天要處理數千份掃描。

反方論點在於變現能力。將一個歷時數年、結合多家頂尖醫院合作才建成的模型開源，等同放棄最可能產生直接授權收入的資產，而阿里巴巴並未揭露任何與RADAR相關的定價、醫院合約或營收目標。達摩院資深演算法專家張建鵬則從規模角度闡述最初的問題：逐一攻克單一疾病需耗時兩到三年，而人類疾病有數萬種之多。

阿里巴巴在香港上市的股票在2026年全年均依循公司的AI敘事進行交易，雲端業務成長與通義千問的採用為主要的估值重估驅動力。RADAR為這套故事增添了一個醫療保健垂直領域，但不會改變近期獲利。更直接的意義在於醫學影像AI產業——開源的專家級效能，壓縮了每一家銷售單一疾病偵測軟體廠商的定價能力。

本文僅供參考，不構成投資建議。