⚡ 前沿动态
阿里达摩院 DAMO RADAR 登上《Science》
阿里达摩院 DAMO RADAR 登上《Science》(影响力 3.7 · 研究论文)
阿里达摩院 DAMO RADAR 登上《Science》(影响力 3.7 · 研究论文)
一、研究背景
医疗影像 AI 长期采用「一病一模」路径:一个模型针对一种疾病训练。达摩院方面给出的痛点是——训练严重依赖人工标注,成本高昂,每针对一种疾病训练通常就需要 2 年,且训练好后无法泛化到其他病种。
腹部增强 CT 是这一路径最难啃的场景:一份 CT 通常包含数百张切片,涉及肝脏、胰腺、胆囊、胃肠道等数十个器官,器官相互重叠、组织密度接近、病变信号细微;影像科医生不仅要看主诉部位,还要检查其他器官有无异常。浙大一院放射科主任肖文波的表述是「你问问年轻医生,他们最怕进的科室组别,就是腹部影像组」。
二、研究方法和过程
- 总体框架:视觉—语言联合学习。医院的 CT 影像通常对应一份诊断报告,报告中包含医生对不同器官与病变的描述。模型直接学习海量影像与报告之间的内在关联,而非依赖医生逐张勾画病灶。
- 关键创新——器官级细粒度对齐:CT 是三维数据且有效信号稀疏,传统视觉—语言学习难以直接套用。团队把三维 CT 数据拆解为独立的器官级解剖单元,在器官层面实现影像数据与报告文本的精准对齐,让模型先识别肝脏、胰腺、胃肠道等不同器官,再把相应部位与报告描述关联起来,避免大量正常组织背景干扰判断。
- 配套:自适应对比建模,动态调整学习过程。
- 训练数据:无需额外人工标注,直接利用已有的影像与报告。
研发方为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。
三、研究结果
| 指标 | 结果 |
|---|---|
| 覆盖范围 | 18 个人体器官、146 种腹部病症(含各类恶性肿瘤等危重病变) |
| 真实世界检查 | 近 4 万例 |
| 平均 AUC | 0.913 |
| 急腹症(训练分布外) | AUC 0.904 |
| 人机对比 | 14 家机构 26 名影像科医生(11 名资深 + 15 名初级),对 300 名患者 CT 判断;模型平均表现超过其中 23 名医生,仅 3 名资深医生略高于模型 |
| 辅助效果 | 在 AI 提示下,放射科医生诊断敏感度(防漏诊能力)提升约 10%,阅片耗时缩短 30.7%,低年资医生诊断水平达到高年资水平 |
模型、核心代码与全套技术框架已全面开源。
四、相关研究横向对比
| 维度 | 传统单病种模型 | 通用视觉—语言医疗模型 | DAMO RADAR |
|---|---|---|---|
| 标注依赖 | 重度人工标注 | 中等 | 无需额外人工标注 |
| 单病种研发周期 | 约 2 年 | — | 一次训练覆盖 146 种 |
| 泛化 | 无法跨病种 | 有限 | 急腹症(未训练)AUC 0.904 |
| 可解释性 | 高(病灶框) | 低 | 器官级对齐提供解剖学锚点 |
| 开源 | 多为闭源 | 部分 | 完全开源 |
达摩院在这一方向上有连续积累:3 年发表 1 篇 Science、5 篇 Nature Medicine 及 10 余篇其他顶刊;已发布的模型包括 DAMO PANDA(胰腺癌筛查)、DAMO GRAPE(胃癌筛查)、DAMO COCA(肠癌筛查)、DAMO iAorta(主动脉夹层预警)、DAMO EAGLE(食管癌筛查)、DAMO LiON(肝癌诊断)、DAMO MAOSS(脂肪肝)等。
边界说明
「超过 23 名医生」这个表述容易被误读。原始实验是 26 名医生对 300 例做判断,模型平均表现高于其中 23 人——这是一个平均值的排序,不是逐例胜出;且 3 名资深医生仍高于模型。模型的定位是辅助(「像导航一样为医生提供诊断支持」),不是替代。这一点在论文与院方表态中都是明确的。
声明:文中数据及部分观点来源于网络,部分观点来源于个人分析和推理,仅供参考,不构成投资或商业决策建议。
资料来源
- 阿里达摩院