来源：机器之心 · 2026-09-18 · 原文链接
分类：主线之外但方法论强相关（医疗影像，非具身；但「一病一模 → 通用模型」的转向、细粒度对齐、假负样本处理、人机协作评测范式四条都能直接迁移到触觉侧）
一句话概括
阿里达摩院联合浙大一院等的 DAMO RADAR（Rapid Abdominal Diagnosis with AI and Radiology）登上 Science 正刊并开源：面向腹部增强 CT，在 18 个解剖结构、146 种影像学表现上，内部真实世界队列 39,160 次检查的平均 AUC 0.913，8 个外部中心 0.874–0.912，急诊（训练中排除）0.904，跨人群零样本（斯坦福 Merlin，西方患者）0.883；26 名放射科医生的阅片研究里，AI 辅助让灵敏度 +10.0%、特异度 98.8%→98.2%、阅片时间 −30.7%，且初级医生 + AI ≈ 资深医生。⭐ 我读它不只是因为医疗，而是因为它把一个我们也在面对的问题解掉了一次：「一病一模」覆盖不了真实世界（一个病种两三年，病种成千上万），解法不是继续堆专用模型，而是先把三维体数据拆成解剖单元、与现成报告文本做细粒度对齐，再用文本提示查询——无需为每项任务重新训练分类器。而它成立的那个前提，恰恰是触觉侧没有的：医疗有一份天然存在、与影像配对的「放射科报告」，触觉没有自己的「接触报告」。
核心要点
金句
「真实世界病种成千上万，按照这个速度，可能一辈子都做不完。」——张建鹏
「对医生来说通常不难辨认的异常变化，反而可能成为专病模型的盲点。」——张灵
「真实世界不是一场 AI 答题考试，病人很可能得的不是一种特定的病，而是多种不确定的病，这是把多个专病模型串联起来都无法解决的。」
「十年前 Hinton 设想的是 AI 取代放射科医生。DAMO RADAR 给出的答案更贴近现实：AI 先成为医生的辅助工具。」
「专病模型适合围绕高风险疾病进行深度优化，通用模型承担广泛异常发现、辅助阅片和第二意见等任务。」
质疑与核查
「首次达到影像科专家水平」这个说法要拆开看：AUC 0.913 是在 146 种影像学表现的平均上达到的，而"专家水平"的判据是"26 名医生中 23 名的工作点位于模型 ROC 曲线下方"。但那是医生在只看到影像、没有病史与实验室检查的条件下的成绩——原文自己明确说了不能推导 AI 整体临床能力超过医生。所以准确的说法是：模型在"纯影像判读"这一项上超过多数医生，不是"AI 超过放射科医生"。
⚠️ 特异度下降被放在括号里，但它是真实代价：AI 辅助让特异度从 98.8% 掉到 98.2%。听起来微不足道（−0.6pp），但在大规模筛查里意味着额外的复查与检查。原文把这句放在"灵敏度提高"之后一笔带过，读的时候要把它单独拎出来记住。这也正是我说"代价那一维必须一起报"的原因。
绝大部分验证仍是回顾性的：内部队列、8 个外部中心、急诊、Merlin、病理队列，全部是回顾性数据。前瞻性、工作流测试、监管审查、长期质量监测都明确写着"还没做"。
数据来源单一，存在潜在的中心偏倚：RAD-CT 的 42 万余次检查来自哪些医院、什么时间跨度、设备分布如何，公众号稿没说。浙大一院是主要合作方，内部队列很可能以本单位数据为主，而"8 个外部中心"的 AUC 下降（−0.018）已经是偏倚的温和体现。读原文方法部分时必须看数据构成表。
跨人群 0.883 的成绩需要看口径：Merlin 上只测了"其现有能力范围内的 21 种表现"——这是从 146 种里挑了 21 种，挑选标准没说。挑出来的这 21 种若偏容易或偏常见，0.883 就不能代表"跨人群整体能力"。
分割预训练用了 TotalSegmentator，而测试标签是人工标注 + 医生复核——训练和评估的分割真值来源不同（一个含伪标签，一个是人工）。这不必然有问题，但两处口径的差异没被讨论。
“百万级 → 超过千万级"的跳跃依赖 Qwen 拆分与伪标签：报告被 LLM 拆成解剖结构描述，器官掩码由 TotalSegmentator 生成。这两个环节的误差会直接传导到 1500 万图文对的质量，文中没有给拆分准确率或掩码质量的量化。
146 种表现里既含疾病也含影像学征象，两者难度差别很大。“146 种"这个数字有宣传效果，但不同表现的临床重要性不均等——平均 AUC 可能掩盖了关键病种上的短板（分组只给了良恶性 0.910/0.929，没给逐病种清单）。
“中国 AI 模型罕见登上 Science 正刊"是 framing，不是科学判断。这句出现在标题里，属于传播层面的定位。它不影响结果，但会影响读者对重要性的判断。
开源的实际程度待查：稿子给了 GitHub 地址，但没说是否含权重、训练代码、数据。RAD-CT 含 42 万次患者 CT，数据几乎不可能公开——所以"开源"很可能只是推理代码 + 权重。“为更多机构复现、验证和扩展这条路线提供了条件"这句要等看到仓库再判断。
与我的研究距离要诚实：这是医疗影像，不是具身智能。我从它这里拿的是方法论类比（细粒度对齐、假负样本、人机协作评测），不是技术迁移。写的时候别把类比写成证据。
本文为阅读剪藏（摘要 + 摘录 + 评论），非原文转载。查看原文