打开APP

Science论文开发出RADAR:无需人工标注的通用腹部CT诊断AI,协作读片提升灵敏度约10%

来源:生物谷原创 2026-09-29 13:38

RADAR是一个通用AI模型,建立在可扩展的视觉-语言框架之上,直接在大规模临床报告上训练而无需人工标注。

放射学对现代临床诊断至关重要,能够检测和表征多种疾病。该领域长期以来的愿景是实现一种通用人工智能(AI),能够在各种真实世界场景中提供专家级诊断支持。对比增强腹部计算机断层扫描(CT)是最复杂的挑战之一,需要评估数十个器官和数百种病症。尽管AI在特定领域取得了里程碑式进展,但当前AI解决方案在疾病覆盖范围和准确性上仍然有限。它们主要依赖监督学习,需要昂贵的人工标注,限制了在开放式临床环境中的可扩展性和适用性。

视觉-语言学习为标注密集型监督学习提供了一种替代方案,它通过在配对的图像-文本数据上训练模型,其核心原则是在共享表示空间中将同一患者的视觉和文本嵌入拉近,同时将不同患者的嵌入分开。然而,在自然图像领域成功的方法并不能直接迁移到腹部CT,因为其解剖结构复杂且诊断信号稀疏。为克服这些障碍,研究团队在一项新的研究中开发了RADAR(Rapid Abdominal Diagnosis with AI and Radiology,基于AI和放射学的快速腹部诊断),这是一个细粒度视觉-语言框架,将CT体积分解为解剖单元;通过自适应对比学习将其与诊断文本报告对齐;并在无需额外人工标注的情况下实现可扩展、多功能且可解释的诊断。

他们构建了RAD-CT,一个大型腹部CT数据集,包含424,911次检查和1500万个解剖配对,用于细粒度、大规模训练。在18个解剖结构和146个影像发现上进行评估,RADAR在39,160次检查的真实世界内部队列中,对146个发现的诊断达到了0.913的受试者工作特征曲线下面积(AUC)(95%置信区间,0.911至0.915),在八个外部中心AUC为0.874至0.912。在四种癌症(肝癌、胰腺癌、胃癌和结直肠癌)的病理确认评估中,性能达到AUC 0.891至0.984。在另一个跨人群队列中,RADAR在没有任何微调的情况下达到了0.883的AUC。在急性腹部病症中(这些在初始训练中被排除),RADAR保持了高性能,AUC为0.904,凸显了对紧急、不熟悉场景的强大泛化能力。在一项由来自14个中心的26名放射科医生参与的读者研究中,RADAR优于大多数参与者,并在协作使用中将灵敏度提高了约10%。RADAR还提供注意力图以突出诊断相关的视觉线索,从而促进更好的解读,这一特征在临床实践中具有相当大的价值。

综上所述,RADAR是一个通用AI模型,建立在可扩展的视觉-语言框架之上,直接在大规模临床报告上训练而无需人工标注。它在腹部CT解读中实现了广泛的诊断覆盖和高准确性,并在作为辅助阅读工具时提高了放射科医生的灵敏度。这项工作表明,大规模视觉-语言学习可能为高效开发用于复杂多样放射学解读任务的通用AI系统提供一条切实可行的路径。(生物谷Bioon.com)

参考文献:

Qi Zhang et al, An expert-level generalist AI for abdominal CT diagnosis, Science (2026). DOI: 10.1126/science.aec6129.

版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。

87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->