浙江
2026年9月17日，Science发表了浙江大学医学院附属第一医院梁廷波团队完成的题为《An expert-level generalist AI for abdominal CT diagnosis》的研究。腹部增强CT涉及的器官多、病变类型杂，诊断很依赖医生经验，现有AI模型大多需要大量人工标注，疾病覆盖和泛化能力有限。该研究构建了RADAR，一个面向增强腹部CT的视觉语言通用模型，它把CT体积拆成解剖单元，和临床报告文本做对齐，无需额外人工标注就能完成多器官、多征象诊断，并给出注意力图。
RAD-CT数据集包含424,911次检查、1,496,973体积层面图文对，并衍生出超过1,500万解剖层面图文对，RADAR在18个解剖结构和146个影像发现上训练和评估。模型用正负提示比较余弦相似度，推理时不需要针对任务重新训练，内部39,160次连续检查上平均AUC为0.913，95% CI为0.911到0.915，比次优fVLM的0.776高0.137，P<0.001。18个解剖结构AUC为0.838到0.982，实体器官平均0.918，空腔器官0.907，疾病与征象分别为0.914和0.911，并且优于ViT和nnUNet+等监督学习模型，低频发现的优势更明显。
外部八中心24,239次检查上，RADAR平均AUC为0.895，单中心0.874到0.912，全部高于三个基线模型。病理确认的肝、胰、胃、结直肠癌队列共4,333例，AUC为0.891到0.984；八中心里这四类癌AUC分别约0.905到0.987、0.909到0.989、0.899到0.987、0.863到0.974。急诊27,267例、17种急性腹部疾病，AUC为0.904，模型未用急诊数据训练。跨人群Merlin-CT-Test的21个可解剖对应发现上，零样本AUC为0.883，训练后0.888，RADAR+微调后0.918，30个发现全覆盖时0.876。
读者研究纳入26名14家中心放射科医生、300例、61个发现，无辅助时特异性98.8%，敏感性随经验和医院层级差异大；RADAR辅助后敏感性提高10.0%，P<0.001，特异性98.2%，阅读时间减少30.7%，P<0.001。基层和低年资医生提升更明显，急诊、恶性、空腔器官病变也有增益。提示集成把内部AUC从0.913提到0.928，P<0.001；findings prompt alignment微调后内部0.940、外部0.927。研究团队认为，大规模视觉语言学习可减少人工标注依赖，并提升腹部CT诊断覆盖和可解释性。
READING
BioPeers
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
