146 种病症，一双新的眼睛：当 AI 学会像放射科医生那样阅片

一、年轻医生最怕的组别

肖文波在放射科待了三十多年。

作为浙江大学医学院附属第一医院放射科主任，她太清楚这个科室里心照不宣的秘密："你问问年轻医生，他们最怕进的科室组别，就是腹部影像组。"

怕是有道理的。一份腹部增强 CT，数百张切片堆叠起来，覆盖消化、泌尿等多个系统的数十个器官。肝、胰、胆、脾、肾、胃肠道——它们彼此重叠，密度相近，病灶的信号常常微弱得像一句耳语。即便是中高级医生，完成一份完整报告也要二十到三十分钟。而病人躺在检查床上，往往只需要几分钟。

阅片室里安静得能听见鼠标滚轮的声音。医生一屏一屏地翻，一层一层地看，在一片灰度的海洋里寻找那一小片不太对劲的纹理。漏掉一个早期胰腺癌，可能就是一个家庭此后许多年的命运分岔。

2026 年 9 月 18 日，肖文波所在的团队与阿里巴巴达摩院一起，在《科学》（Science）杂志上发表了一项研究：一个名叫 DAMO RADAR 的通用医疗影像 AI 模型，可以在单张腹部增强 CT 上一次性识别 146 种病症——在研究评估中，它的综合诊断表现首次达到了影像科专家的水平。同一天，这个模型的代码与权重向全球医疗和科研界完整开源。

一双新的眼睛，走进了阅片室。

二、一百三十一年的"看"

要理解这双眼睛的分量，得先回到"看"这件事的起点。

1895 年 11 月 8 日傍晚，德国维尔茨堡大学的物理学家威廉·伦琴在实验室里注意到，一块涂有氰亚铂酸钡的纸板在黑色遮光罩外发出了荧光。他反复试验，发现那是一种能穿透木头、纸张甚至肌肉的未知射线——他称之为 X 射线。几周后，他请妻子安娜·贝尔塔把手放在感光板上。照片冲洗出来，手指的骨骼清晰可见，婚戒悬浮在骨影之上。据说贝尔塔看到照片时低声说："我看见了自己的死亡。"

这张人类历史上第一张医学影像，开启了一个全新的学科。医生第一次可以不打开身体，就看见身体内部。伦琴因此获得 1901 年首届诺贝尔物理学奖，而 X 射线摄影在此后一个世纪里挽救的生命，多到无法统计。

但 X 光片是重叠的投影，所有器官压扁在一个平面上。真正的革命发生在半个多世纪后。1967 年，EMI 公司的工程师戈弗雷·豪斯菲尔德开始琢磨一个问题：能不能让 X 射线绕着人体转一圈，再用计算机把成百上千个角度的投影重建成断层图像？他几乎是从零推导了重建算法。1971 年，第一台临床 CT 在伦敦阿特金森·莫利医院扫描了第一位病人；1979 年，豪斯菲尔德与独立提出同样原理的物理学家艾伦·科马克分享了诺贝尔生理学或医学奖。

CT 让医生第一次能"切片"看人体。腹部——这个器官最密集、软组织最难分辨的区域——从此有了被看清的可能。但"能看清"和"看得懂"之间，隔着一名放射科医生至少十年的训练。

在中国，培养一名合格的放射科医生，往往意味着医学院五年、规培三年、专科训练再数年。而放射科被称为"医生的医生"：临床医生开检查，放射科医生读片，诊断意见经由报告传回，决定着接下来的治疗方向。可优质阅片能力的分布，比 CT 机器的分布更不均衡——大医院里专家云集，基层医院里，一个医生可能要在有限经验下独自面对全身各部位的影像。

也正因为如此，让机器学会"看片"，是医学和计算机科学交汇处一个绵延六十年的愿望。

三、从"一病一模"到"通才"

早在 1960 年代，就有研究者尝试用计算机分析胸片。这条路走了几十年，大多数系统停留在实验阶段。真正的拐点出现在 2012 年——深度学习在图像识别竞赛中以压倒性优势夺冠，机器"看"的能力第一次逼近了人类水准。医疗影像 AI 的春天随之而来。

但过去十多年里，医疗影像 AI 走的大多是一条"一病一模"的路：一个模型看肺结节，一个模型筛糖尿病视网膜病变，一个模型找胰腺肿瘤。达摩院高级算法专家张建鹏对此有切身体会——他曾主导研发肺癌、肠癌等单病种 AI 模型。"单病种 AI，就像善攻个别题型的学生，"他说，"固定题型考试成绩优异，换一类题目便无从下手。"每开发一个这样的模型，从立项到落地通常要两三年，训练严重依赖医生逐张图像勾画病灶的人工标注，成本高，周期长，且训练好的模型无法迁移到别的病种。

真实世界的病人，却很少按题型生病。一位腹痛急诊的病人，CT 里可能藏着胰腺炎、肠梗阻、肾结石中的任何一种，也可能是完全出乎意料的东西。

RADAR 团队换了一条思路：让 AI 像放射科医生那样阅片。

放射科医生读腹部 CT，并不是漫无目的地扫视，而是有一套成熟的"程序"——以人体解剖结构为核心，依次核查肝脏、胰腺、胆道、肾脏，一个器官一个器官地过，同时对照病人的临床信息。研究团队把这种阅片逻辑翻译成了模型架构：他们在国际上首创"器官级细粒度对齐"技术，先把 CT 三维数据拆解成独立的器官级解剖单元，再在器官层面把影像与诊断报告文本精确对齐。训练数据就是医院日常积累的海量 CT 影像和对应的诊断报告——模型通过视觉与语言的联合学习，自己去理解"某种影像表现对应报告里的哪种描述"，无需人工逐张标注。

这套思路的效果，体现在一组数字里：

在近 4 万例连续真实世界临床病例、146 种病症的测试中，模型平均 AUC（衡量区分患病与健康样本能力的指标，1 为完美）达到 0.913；在覆盖 14 家医院、26 名影像科医生的人机对比试验中，模型的平均诊断准确率超过了其中 23 名医生，只有 3 名资深放射科医生的表现略高于它。更值得注意的是"人机协同"的结果：在 AI 的提示下，医生识别疾病的敏感性——也就是防漏诊的能力——提升了约 10%，阅片耗时缩短了 30% 以上，低年资医生的表现被拉到了高年资医生的水平。

还有一个细节：RADAR 的训练数据里没有急诊场景，但在 2.7 万例急诊急腹症病例上，它的 AUC 仍有 0.904。面对没见过的考题，这个"学生"没有慌乱。

四、"导航"，而不是"方向盘"

这里必须说清楚一件事：这仍是一项发表在学术期刊上的研究成果，而不是已经走进常规临床的产品。论文呈现的是在特定测试集上的评估表现；从研究到常规的临床应用，中间还有监管审批、真实环境验证和流程磨合的长路要走。本文不构成任何医疗建议，身体的问题，请交给真实的医生。

但也正因为它还是"研究"，我们可以更从容地打量它的意义。

肖文波给 RADAR 起过一个比喻："导航"。它能像导航一样为医生提供诊断支持——告诉你这片区域可能有什么，提醒你那条岔路别忘了看。导航不替人开车，方向盘始终在医生手里。这个比喻背后，是放射科医生与 AI 关系的一种成熟想象：不是替代，而是第二双眼睛；不是裁判，而是提醒。

尤其对基层医院。"基层医院阅片量有限、医生临床经验相对不足，腹部 CT 阅片难度更大，"肖文波说，"希望这款 AI 能尽快落地基层，助力一线临床诊断。"一个在县城医院值夜班的年轻医生，面对一份复杂的腹部 CT 时，如果手边有一个读过四十多万例检查、见过 146 种病症的"提示器"，他漏掉关键线索的概率，大概会小一些。而那 10% 的敏感性提升，落到具体的病人身上，可能就是一次被提前发现的早期肿瘤。

开源是这个故事里另一个值得记录的注脚。模型、核心代码和全套技术框架向全球医疗与科研界完整开放——意味着任何一家研究机构、任何一个发展中国家的医院团队，都可以在这双"眼睛"的基础上继续往前走。在医疗 AI 日益成为商业机密的年代，把一篇《科学》论文背后的模型直接交出来，这个选择本身就带着一点理想主义的光。

五、看见，与被看见

从伦琴那只有婚戒的手骨照片算起，医学影像走过了一百三十一年。

这一百三十一年里，有一条暗线：每一次"看"的能力跃迁，都重新定义了医生与疾病的关系。X 光让骨折无处遁形，CT 让早期肿瘤现形，而它们共同塑造的现代放射科，把"看见"变成了一门需要十年才能毕业的手艺。今天，AI 的介入可能带来又一次跃迁——不是替医生看，而是把专家级的"看"的能力，变成可以被复制、被分发、被送到阅片资源稀缺之处的公共品。

技术史的有趣之处在于：豪斯菲尔德当年推导 CT 重建算法时，用的是一台运算能力还不及今天计算器的计算机；而今天，当年用于重建图像的"计算"，正在反过来学习理解图像背后的医学含义。机器先是帮医生"成像"，如今开始帮医生"读图"。这条从物理学到算法、再到智能的链条，恰好也是过去半个世纪计算科学自身的缩影。

但故事的最后，还是要回到人。

阅片室的灯光通常调得很暗，为了让屏幕上的灰度更分明。以后，这样的房间里，医生的手边也许会多一个不知疲倦的助手——它读过四十万份检查，记得 146 种病症的样子，会在你疲惫的深夜提醒一句："这里，再看一眼。"

而被看见、被提醒、被更早发现的，是检查床上的那个人。

那一小片灰度上的异常，被一双新的眼睛捕捉到的时刻，或许就是一个生命悄悄转弯的时刻。

---

作者：新科学编辑部 说明：本文基于《科学》（Science）期刊已发表论文及公开报道撰写，文中性能数据均为研究评估结果。本文不构成医疗建议；如有健康问题，请咨询执业医师。