DAMO RADAR – 摩院专家级通用腹部CT医学影像AI模型

DAMO RADAR 是阿里巴巴达摩院联合医疗机构推出的通用医学影像视觉语言模型，成果发布于《Science》期刊，整套模型、代码与框架已对外开源。模型专注腹部增强 CT 影像解析，覆盖腹部 18 类解剖器官，可识别 146 种病变类型，包含多种恶性肿瘤。在近四万份真实临床 CT 样本测试中，平均 AUC 达到 0.913，人机对照实验中，诊断表现超过参与对比的多数放射科医师。临床使用场景下，搭配模型辅助阅片，医师漏诊情况减少，单份影像阅片耗时压缩，低年资医师的判读水平得到提升。

DAMO RADAR特点

打破传统医疗影像 AI 一病一模的开发模式，单模型支持多器官、多病症同步识别。

输出附带影像关注区域标记，具备可解释性，方便医师核验病灶位置。

训练阶段减少对高密度人工标注样本的依赖，降低模型迭代成本。

开源方案允许研究人员与医疗机构二次开发，适配院内本地化部署。

对真实临床场景下不同设备输出的 CT 影像具备良好兼容能力。

可直接对接医院影像系统，无缝融入现有阅片工作流。

DAMO RADAR技术原理

采用视觉语言学习框架，搭配器官级细粒度对齐策略完成模型训练。

将三维 CT 影像拆解为独立解剖器官单元，把器官区域影像切片和对应的临床报告文本做关联匹配。

模型学习影像视觉特征与医学描述语言之间的内在映射关系，提取病灶纹理、形态等特征信息。

推理阶段生成注意力热力图，锁定影像内异常区域，同步输出对应的医学描述。

整套训练方案可以弱化海量逐像素标注需求，拓展模型对多种病变类型的识别能力。

DAMO RADAR项目地址

• 开源：https://github.com/alibaba-damo-academy/damo-radar

DAMO RADAR功能

腹部增强 CT 影像批量解析，一次性检出多器官内多处异常病灶。

病灶风险评估，输出各项病变的检出概率指标。

影像热力图生成，标记 CT 图像中异常区域，辅助医师定位病灶。

结构化报告生成，依据影像内容输出标准化医学描述文本。

多病例批量处理，一次性批量读取大量 CT 序列影像。

模型评估指标输出，记录各项病变的识别结果，用于内部质控与科研统计。

DAMO RADAR应用场景

医院放射科阅片辅助，医师阅片时同步获取 AI 提示，降低漏诊概率，缩短阅片时长。

基层医疗机构影像筛查，弥补专科影像医师资源缺口，完成腹部 CT 初筛。

医学科研场景，批量处理临床影像数据集，开展疾病分布、影像特征相关研究。

医疗 AI 研发，基于开源代码与模型权重，开展医学影像算法二次迭代。

教学培训场景，用于医学生、年轻放射医师的影像判读训练。

如何使用教程

1. 访问开源代码仓库，下载 DAMO RADAR 项目源码与模型权重文件，完成环境部署。
2. 配置深度学习运行环境，安装项目依赖库，完成模型权重加载校验。
3. 准备 DICOM 格式腹部增强 CT 影像序列，导入模型输入模块。
4. 启动推理脚本，模型读取三维 CT 数据，自动分割腹部器官并识别病灶。
5. 查看输出结果，获取病灶检出列表、风险评分与影像热力标记图。
6. 导出结构化结果，保存识别报告与标注影像，用于医师复核。
7. 二次开发场景，基于开源框架修改器官分割逻辑，适配其他影像模态的研究测试。
8. 院内部署阶段，对接 PACS 影像系统接口，完成影像自动流转与批量推理。

DAMO RADAR同类产品对比

表格