# RADAR拓宽腹部CT识别

> Science研究报告称，一个模型可覆盖18种腹部结构和146类影像发现，并提高放射科医师敏感性，但这不等于可自主替代医生。

_Source: Peer-reviewed Science study, verified through PubMed, Crossref, Europe PMC and OpenAlex · 2026-10-02 · 6 min read · Verified against primary sources_

Canonical: https://iyu.app/zh/e/radar-generalist-ai-abdominal-ct

## 60 秒版本

RADAR是一种通用模型，从40万余例腹部CT中学习，以识别广泛的解剖结构和影像发现。

**要点**

- 模型从临床报告形成的1500万组解剖级图文配对中学习，无需为每项任务分别人工标注。
- 作者报告评估覆盖18种解剖结构、146类影像发现、多个中心和不同临床场景。
- 在26名放射科医师参加的研究中，RADAR辅助使诊断敏感性提高约10%。
- 研究没有证明自主诊断、监管获批或患者结局改善。

**结论.** 这是迈向广谱CT辅助的重要一步，最强证据支持医生加AI，而不是替代医生。

## 全文

一项发表于 [Science](https://doi.org/10.1126/science.aec6129) 的同行评议研究报告称，通用视觉语言模型RADAR可以在增强腹部CT上评估广泛的影像发现。它从常规临床报告学习，而不是为每项任务分别制作人工标注数据。

> **⚑ Caveat:** 下列性能数字均由研究作者报告。论文证明的是诊断评估结果，不代表监管获批、自主使用或患者结局已经改善。


### 模型设计 — 一个系统覆盖多类发现

多数影像AI像专科工具：一个模型识别一种病灶、一个器官或一类分诊任务。RADAR则学习不同解剖区域的图文关系，试图支持放射科医师阅读腹部CT时进行的广泛搜索。

- **>40万** — 用于训练的增强腹部CT检查
- **1500万** — 解剖级图文配对
- **146** — 纳入评估的影像发现

作者称，训练数据包含**40万余例检查**和**1500万组解剖级图文配对**。直接从报告学习，减少了大规模逐项人工标注的需求，但也可能继承报告漏写、术语差异和本地书写习惯。


### 研究证据 — 论文报告了什么

- **任务范围:** 评估覆盖18种解剖结构和146类影像发现。
- **评估场景:** 摘要称，内部与外部评估跨越多个中心和不同临床场景。
- **读者研究:** 作者报告，RADAR辅助使26名放射科医师的诊断敏感性提高约10%。
- **目标角色:** 作为腹部CT的广谱、可解释辅助工具，而不是每种发现单独训练一个检测器。

读者研究给出了最直接的工作流结果：辅助提高了**敏感性**，也就是真实异常中有更多被识别。不过，这个数字不能脱离特异性、误报、病例构成、医师经验、阅片时间和比较方案单独解读。

> 最有力的结论是医生与AI协作，而不是AI替代医生。


### 证据边界 — 专家水平不代表什么

- **1.** 不代表模型已经证明能改善治疗决策或患者结局。
- **2.** 不代表可以在没有放射科医师复核影像和临床背景时安全自主诊断。
- **3.** 不保证在所有扫描仪、方案、医院、人群和罕见疾病中表现相同。
- **4.** 不能替代前瞻性测试、监管审查、部署监测和错误处理流程。

这里的**专家水平**是指论文所报告任务中的表现，不是一张适用于所有腹部CT决策的通行证。数据质量、患病率、扫描设置或临床实践一旦改变，广谱模型仍可能出现分布不均的错误。


### 临床转化 — 下一步应验证什么

前瞻性研究应评估完整的人机团队，包括漏诊、误报、阅片时间、分歧处理、亚组表现和下游决策。独立医院还应在代表性患者中测试固定版本，再考虑常规使用。

> **i** FDA与国际良好机器学习规范强调代表性数据、独立测试集、人机团队表现、明确预期用途和产品全生命周期监测。

实际结论应保持克制：RADAR有力说明腹部CT AI可以从孤立检测器走向多任务辅助。医院应把它当作需要在本地工作流中继续验证的研究成果，而不是取消临床监督的依据。


## Primary sources

- [Science: An expert-level generalist AI for abdominal CT diagnosis](https://doi.org/10.1126/science.aec6129)
- [PubMed record 42752131](https://pubmed.ncbi.nlm.nih.gov/42752131/)
- [Crossref DOI record](https://api.crossref.org/works/10.1126/science.aec6129)
- [Europe PMC record](https://europepmc.org/article/MED/42752131)
- [FDA: Good Machine Learning Practice guiding principles](https://www.fda.gov/medical-devices/software-medical-device-samd/good-machine-learning-practice-medical-device-development-guiding-principles)
- [Telegram post 1522 (CNSmydream)](https://t.me/CNSmydream/1522)

---
_Published by iyu (https://iyu.app) — the day's AI news, checked against primary sources and rewritten in plain language. Free to quote with attribution and a link to the canonical URL._