一、【科学背景】
放射人工智能旨在实现对多样化临床场景的专家级诊断支持，而腹部增强CT因涉及数十个器官、上百种病变的判读，是医学影像AI极具挑战性的任务。传统医学影像AI大多采用监督学习范式，模型针对单一疾病进行训练，虽在特定任务上取得了不错效果，但高度依赖人工勾画标注，标注成本高昂，难以覆盖海量、多样的临床病变，很难实现广泛的通用诊断能力。
视觉‑语言学习为打破标注依赖提供新思路，通过学习图像与报告文本的配对关联，无需人工病灶标签即可挖掘影像的诊断信息。该技术已在自然图像领域取得突破，也被初步探索应用于CT影像。但腹部CT解剖结构复杂，病灶诊断信号在三维体数据中十分稀疏，疾病覆盖度和诊断性能仍存在明显短板。
二、【创新成果】
在此，浙江大学医学院附属第一医院梁廷波教授、阿里巴巴达摩院Ling Zhang、Jianpeng Zhang，浙江大学医学院附属第一医院章琦教授、肖文波教授等人构建了细粒度视觉‑语言框架RADAR，将CT体数据拆解为解剖单元，通过自适应对比学习实现解剖层面CT影像与诊断报告的对齐，无需人工病灶标注即可完成大规模训练。研究团队搭建RAD‑CT大规模腹部CT数据集，包含424 911份CT检查，生成超过1500万器官级图文配对样本。在内部测试队列146种影像发现任务中模型AUC达到0.913，8个外部临床中心AUC介于0.874‑0.912；针对肝、胰腺、胃、结直肠癌的病理确认队列AUC可达0.891‑0.984；在未参与训练的急腹症场景依旧保持0.904的高AUC，跨人群零样本测试AUC为0.883。在包含26名放射科医师的阅片者研究中，RADAR作为辅助工具可将医师诊断灵敏度提升约10%，同时缩短30.7%阅片时间，并输出注意力热力图实现可解释诊断。该模型依靠临床原始报告完成训练，摆脱昂贵人工标注约束，提示词驱动推理无需任务特定微调，能够适配开放多变的临床需求，为开发面向复杂放射诊断任务的通用型医学人工智能提供了可落地的技术路线。相关文章以“An expert‑level generalist AI for abdominal CT diagnosis”为题发表在Science上！本文通讯单位为浙江大学附属第一医院与阿里巴巴达摩院！
图1. RADAR模型开发、评估及临床应用总览示意图© 2026 AAAS
图2. RADAR的内部真实场景评估© 2026 AAAS
图3. RADAR外部多中心队列评估© 2026 AAAS
图4. 阅片者对照研究© 2026 AAAS
三、【科学启迪】
该研究为腹部CT的通用放射AI研发开辟了新路径，发展出基于解剖单元拆解与自适应对比学习的细粒度视觉‑语言学习框架RADAR，依托海量临床CT影像与放射报告完成模型训练，在完全不依赖人工病灶标注的前提下实现18类解剖结构、146种影像的高精度识别，为三维医学CT影像分析提供了器官级图文对齐的普适技术思路。这项工作打破了传统医学影像监督学习高度依赖昂贵人工标注、泛化能力弱、难以覆盖长尾病变的瓶颈，提出直接挖掘原始临床报告中的诊断信息开展模型训练，指明放射通用AI的构建不必局限于单病种专用模型的开发范式。研究完整阐释解剖感知模块、自适应对比建模在稀疏诊断信号下的作用机制，完善了三维医学CT视觉‑语言基础模型的训练与推理框架。通过多中心外部验证、病理标准测试、跨人群泛化以及放射科医师阅片对照实验，证实该提示词驱动的模型具备良好可扩展性与临床可解释性，能够提升医师诊断灵敏度、缩短阅片耗时，为面向真实临床场景的通用医学人工智能系统落地提供可行方案。
原文链接：Qi Zhang et al., An expert-level generalist AI for abdominal CT diagnosis. Science 393,eaec6129 (2026)
