快科技9月18日消息，據媒體報道，2016年11月，深度學習先驅、諾貝爾物理學獎得主Geoffrey Hinton有過一則過於樂觀的預言。他認為應該停止培養放射科醫生，深度學習將在5年或10年內做得更好。

近10年過去，Hinton預言中的場景並沒有出現，放射科醫生短缺，至今仍是醫療體系面臨的現實問題。

AI雖然已經能在不少影像任務中達到專家水平，卻還難以像醫生一樣，全面檢查多個器官，識別各種並存異常。

現在，阿里達摩院為這個問題交出了一份新答案。

9月18日，阿里巴巴達摩院與浙江大學醫學院附屬第一醫院等機構研發出通用醫療影像AI模型DAMO RADAR，登上國際頂級學術期刊《科學》（Science）。

該模型面向腹部增強CT診斷，可一次性識別超過146種病症，其準確性首次達到影像科專家級水平，現已正式開源。

醫療影像是衆多疾病診斷的關鍵依據，而腹部CT是臨床最複雜的影像之一，涉及數十個組織器官和數百種潛在異常或病變。現有醫療影像AI在專用模型上取得了衆多進展，但一個模型只針對特定場景的特定疾病。

「一病一模」在訓練上依賴大量人工標註，成本高、耗時長，通用性差，難以滿足複雜的真實臨床需求。

為解決這一難題，達摩院採用視覺-語言學習方法（Vision-Language Learning），讓模型直接學習醫學影像和相對應報告文本的內在關聯信息。

達摩院高級算法專家張建鵬表示，由於CT數據信號稀疏，常規的視覺-語言學習效果不佳，該項研究在國際上首次採用「器官級細粒度對齊」策略。

該策略將CT構建三維數據並分解為解剖單元，在組織器官層面實現圖像與報告文本的精確對齊，並通過自適應對比建模策略來動態調整，無需額外人工標註即可完成可擴展、多用途、可解釋的診斷。

最終，DAMO RADAR覆蓋了含惡性腫瘤在內的廣泛腹部病症，研究團隊評估了其中146種，涉及18個器官。

在近4萬次真實世界檢查中AUC可達0.913（AUC是區分患者與正常人的能力指標，數值越高越好，1代表能進行完美區分），成為首個達到專家水平的通用醫學影像AI模型。

論文顯示，DAMO RADAR與26名來自多家醫院的放射科醫生進行了人機對比試驗，平均準確率超過了其中23名醫生。

在AI提示下，放射科醫生識別疾病的敏感性（防漏診的能力）提高了10%，用時減少了30%以上，並使低年資醫生達到了高年資醫生的診斷水平。