浙江大学梁廷波等团队合作最新《Science》

腹部增强CT是天生的“信息富集区”：几十个器官、数百种病变，放射科医生要在一套几百甚至上千张图像里找到稀疏的异常信号。以前搞AI诊断常走“人工标注病灶 → 监督训练”的老路，但标注成本极高，病种覆盖率也有限：标注过的病才认得出，没见过的新场景立马抓瞎。

2026年9月17日，浙江大学梁廷波等团队合作在Science 在线发表题为An expert-level generalist AI for abdominal CT diagnosis的研究论文，该研究给出另一条路：干脆不标病灶，直接让AI读现成的影像报告。

RADAR是一个视觉-语言模型，训练数据来自40多万例增强腹部CT检查，共拆出1500万个“解剖结构-图像-文本”三元组。训练原理近似于图文对齐的对比学习：同一个受检者的CT图像块和报告里对应诊断语句被拉近，不同患者的图文表示被推开；模型还会把每个解剖单元（肝、胰、胃、小肠、肾等18个结构）单独切出来做细粒度对齐，避免“整卷CT + 整份报告”只学到粗浅关联。

RADAR模型开发与部署的示意图（图源自Science ）

效果令人惊讶。在真实世界近4万例内部队列中，RADAR对18个解剖部位、共146项影像发现的平均AUC为0.913；在8个外部中心AUC在0.874到0.912之间，说明跨医院跨扫描仪没有大掉点。

在病理确诊的肝、胰、胃、结直肠癌上，AUC达到0.891到0.984；对训练时特意未纳入的急性腹痛相关疾病，AUC仍有0.904，展示了对陌生场景的“零样本”泛化力。在一项由14个中心26名放射科医生参加的阅读者试验中，单独用RADAR时其诊断能力高于多数医生，而医生在AI提示下敏感性提升了约10%，人机协同效果最好。

更值得细品的是，RADAR不靠人工框选病灶，直接利用现有结构化报告作为学习信号；模型还会输出注意力图，指出关键诊断线索所在，帮助医生理解它“为什么这么判断”。这为通用影像AI指明一条新路：与其花巨资标注有限的病种，不如用海量“标准报告-影像”对来训练大模型，让AI学会更广、更接近真实临床的诊断知识。

当然，这不是终点。RADAR虽然泛化强悍，但对出血量较小、分层不清或报告文本里有系统性偏倚的情况，仍可能学错；对比剂过敏、不同期相、罕见病、非增强CT等也需继续扩展训练；它更接近“高敏感的第二双眼睛”，而不是替代放射科医生做最终决策。但“用报告当老师”的思路，已经让通用影像AI跨出了从科研到临床工具的关键一步。

参考消息：https://www.science.org/doi/10.1126/science.aec6129