編按：本文綜合整理自《南華早報》、Science 期刊原始論文、阿里達摩院官方公告及 Hacker News 社群討論，並加入 Siami 編輯部觀點與分析。
阿里巴巴旗下研究機構達摩院（DAMO Academy）正式開源一套名為 RADAR 的視覺語言模型，能從電腦斷層掃描（CT）影像中，一次辨識 18 個腹部器官、近 150 種疾病與異常，包含多種癌症。這項成果已於 9 月 18 日登上國際頂尖期刊 Science，並在 Hacker News 上引發醫療 AI 社群熱議，累積 67 票與 8 則留言討論。
RADAR 是什麼？怎麼運作？
RADAR 的全名是「Rapid Abdominal Diagnosis with AI and Radiology」，核心設計是「閱讀」注射顯影劑後的腹部 CT 影像，再產出結構化的臨床報告。研究團隊表示，這是「全球第一個達到專家級水準的通用型醫療影像模型」。
訓練資料來自真實 CT 影像與對應臨床報告配對，覆蓋肝、膽、胰、脾、腎、腎上腺、胃、腸道等 18 個器官。模型不只是判斷「有病沒病」，還會標註病灶位置、性質（囊腫、良性腫瘤、惡性腫瘤、發炎等），並輸出符合放射科醫師書寫習慣的描述文字。
關鍵實驗數據
達摩院在論文中公布了三項關鍵指標：
- 診斷準確度：在將近 40,000 筆真實臨床檢查上，RADAR 在 146 種臨床發現中，平均 AUC（曲線下面積）達到 0.913。AUC 1.0 為完美診斷，0.913 已逼近專家水準。
- 與人類醫師對照：邀請 26 名來自多家醫院的主治放射科醫師參與盲測，RADAR 的平均準確率 勝過其中 23 位。
- 輔助效應：搭配 RADAR 協助後，原本會漏診的案例數量減少 10%，而醫師寫報告時間縮短 超過 30%。
研究由阿里達摩院主導，並與浙江大學附屬醫院等多家機構共同執行，論文已於 9 月 18 日正式刊出於 Science。
為什麼這件事重要
表面上看，這又是一則「AI 在某個專業領域贏過人類」的消息。但攤開細節，會發現這次有三層結構上的突破：
第一，從「單一疾病 AI」走向「通用診斷 AI」。過去十年醫療 AI 大多只能回答一個問題：「這張 X 光有沒有結核？」「這片病理有沒有癌細胞？」需要一個模型、一筆訓練資料、一張 FDA 執照。RADAR 把這個工作流壓縮成「一個模型 + 一張 CT + 一份報告」，橫向覆蓋 146 種發現。這個範式一旦擴展到胸腔 CT、腦部 MRI，整個放射科的運作邏輯都會被改寫。
第二，開源策略本身就是戰略。阿里把模型權重放在 GitHub（alibaba-damo-academy/damo-radar），採用 Apache-2.0 授權。這代表全球任何醫院、研究單位、新創公司都能下載、二次訓練、部署到自家醫療資訊系統。對比 OpenAI、Anthropic 把醫療應用鎖在企業付費牆後，這是一種完全不同的路線：用開源換生態系話語權，把「診斷準確度」的基準從此由中國團隊定義。
第三，臨床整合的可驗證性。論文不是 demo，而是真的把模型推進 26 位放射科醫師的工作流程，並量化「漏診率下降 10%」與「報告時間減少 30%」。這兩個指標對醫院院長才是真金白銀：少漏診一個早期癌症，就少一場訴訟；每位醫師每天省下 1 小時，等於多看 4-5 個病人。
數據解讀與質疑
雖然 AUC 0.913 已經很高，但 Siami 編輯部提醒三個不能忽視的限制：
- AUC 不是臨床決策的全部。AUC 衡量的是「整體排序能力」，不等於「能在臨床上讓醫師直接採用」。高 AUC 但信心度（confidence calibration）差的模型，反而會誤導臨床判斷。
- 40,000 例訓練資料是否足夠多元。論文中沒有揭露訓練資料的醫院分布、性別比例、年齡層、族群組成。如果以中國大陸患者為主，套用到歐美、非洲、東南亞族群時，可能出現準確度漂移。
- 「比 23 位醫師準」這個說法的對照組規模偏小。26 位醫師分散在多家醫院，每家醫院的影像設備、顯影劑品牌、掃描參數都不同，要做到嚴格的統計匹配需要更多對照組。
- 監管路徑仍未明朗。RADAR 目前定位為「醫師輔助工具」，並非自動診斷裝置。美國 FDA、中國 NMPA、歐盟 MDR 都還沒給出這類通用模型的明確審批路徑，距離實際進入台灣、美國醫院還有相當距離。
達摩院的醫療 AI 布局脈絡
這不是阿里第一次投入醫療 AI。今年 4 月，達摩院才剛開源 COCA 模型，專門針對大腸直腸癌 CT 早期篩檢，宣稱比放射科醫師更敏感。再往前，達摩院已陸續推出針對胰臟癌、胃癌、主動脈剝離的篩檢工具。
換言之，這是一條從「單癌種篩檢 → 多器官通用診斷 → 跨院落地」的清晰路線。中國互聯網巨頭在 C 端紅利見頂後，醫療被視為下一個十億級市場；而阿里選擇用「學術頂刊 + 開源」打頭陣，這與其雲端業務、阿里健康平台的商業邏輯環環相扣。
台灣與全球的後續觀察重點
對於 Siami 的讀者（多為科技與醫療專業背景），後續值得追蹤的三條線索：
- 是否有台灣醫學中心參與驗證？ 台大、榮總、長庚、北醫體系過去就有引進 AI 輔助診斷的經驗，若有本土醫院投入 RADAR 驗證，將是中文世界最快落地的案例。
- Hacker News 已出現「請問參數量多大？」的提問。這代表社群最在意的不是行銷話術，而是 模型可解釋性、推論成本、fine-tune 所需算力。若阿里後續釋出 paper-level 細節，生態系擴散速度會更快。
- 是否會與 Google Med-Gemini、Anthropic Claude Medical、OpenAI GPT-5 Medical 形成競爭？目前通用 LLM 廠商還沒有公開類似「CT 直接診斷」的能力。RADAR 走的是「垂直閉環 + 開源」，對通用 LLM 廠商是另一條賽道。
資源連結
- Science 期刊原文：https://www.science.org/doi/10.1126/science.aec6129
- 阿里達摩院 GitHub 開源 repo（Apache-2.0）：https://github.com/alibaba-damo-academy/damo-radar
- Zenodo 模型權重下載頁：https://zenodo.org/records/21271172
- EurekAlert 官方新聞稿：https://www.eurekalert.org/news-releases/1143748
- ClinicalTrials.gov 試驗編號：NCT07040358
- Hacker News 討論串：https://news.ycombinator.com/item?id=49761840
網友熱門留言 (3)