AGI最难一战，竟在医院！中国AI登上Science，医生不怕失业还催着上线

2016年，深度学习先驱辛顿曾预言“人们现在就应该停止培养放射科医生”，他判断五年内AI就会在医疗影像识别上超越人类医生。然而十年过去，从IBM Watson的医疗折戟到众多医疗AI项目停留在实验室阶段，AGI落地的“最难一战”始终在医院场景，即使是图像识别这类基础任务，依然是高难度的hard模式。

达摩院RADAR登顶Science，破局医疗影像AI十年困局

近日，阿里达摩院研发的通用医疗影像大模型RADAR登上《Science》正刊，成为该刊历史上首篇被当作“科学问题”而非“工程技术问题”审核的医疗影像AI研究。达摩院资深算法专家张灵透露，此前《Science》极少发表医疗影像AI相关文章，正是RADAR用实际效果证明了通用医疗影像AI的技术路线具备现实可行性，通过了最严苛的同行评议。
该模型在腹部CT影像识别任务中，可一次性检出146种疾病，AUC值稳定在0.9左右，准确率远超此前行业平均水平。浙大一院放射科主任肖文波教授是首批参与验证的临床专家，她坦言第一次看到验证数据时完全不敢相信：“AI能在腹部这么多相似结构里精准找出病灶，完全超乎我们一线医生的想象。”

腹部CT阅片痛点久积，医生苦寻“不漏诊”助手

作为300人规模放射科的带头人，肖文波对科室的工作量再清楚不过：每天要处理数千份影像报告，仅一份腹部CT报告，中高年资医生至少需要20分钟才能完成，而一例腹部CT包含数百张图像，需要逐张筛查，漏诊任何一个微小病灶都可能影响患者的治疗方案甚至生存期。
放射科有句行话叫“同病异影、异病同影”，同一种疾病在不同患者身上影像表现可能天差地别，不同疾病的影像特征又可能高度相似。一名医生穷其一生能接触的病例样本也远达不到AI的学习量，RADAR恰好补上了人类医生的认知盲区。肖文波介绍，科室医生在多次验证确认RADAR的准确率稳定后，已经集体呼吁尽快部署该模型，不少外院医生也闻讯前来，希望借助该模型解决腹部CT阅片的漏诊痛点。

开源技术打通通用范式，医疗AI跑通高精度场景落地路径

这并非达摩院首次在医疗AI领域取得突破，过去几年团队已经用AI识别CT中肉眼难见的早期癌症病灶，在胰腺癌、胃癌、肠癌等专病筛查上取得重大进展，累计发表5篇《Nature》论文。此次RADAR的技术框架与达摩院此前的PANDA模型一脉相承，核心思路是用一个通用模型解决一整个医疗领域的问题。
更重要的是，达摩院并未对RADAR进行技术封锁，模型、代码、技术框架已全部开源，任何团队都可以拿去复现、改进，迁移到其他医疗场景甚至其他高精度行业。张灵表示，医疗是所有行业里对精度要求最极端、对错误容忍度最低的场景，如果这套通用范式在医院场景都能跑通，换到其他高精度场景大概率也能适用，为AGI落地提供了可复制的路径。

AI医生分身落地诊前场景，缓解就诊资源供需错配

除了影像诊断类AI，AI在医疗场景的落地还有更多探索。蚂蚁集团联合医生推出的虚拟医生分身，已经在中国医疗应用中落地服务。知名健康博主段医生将自己的医学手册、临床案例研究以及个人表达风格输入人工智能模型，训练出了自己的虚拟形象，这款聊天机器人没有处方权，明确不能替代医疗护理，仅能在诊前为用户提供健康疑问解答。
段医生坦言，自己最初也有过声誉顾虑，但最终选择积极拥抱技术参与改进。截至目前，该应用已经服务了16万名患者，超过1000名医生已经创建了自己的数字分身，有效缓解了中国医疗资源供需错配的问题——毕竟在中国，普通患者门诊前等待数小时是常态，AI分身可以让各地用户都获得优质的健康答疑服务。

从影像诊断大模型到诊前AI助手，中国AI正在医疗场景跑出落地新路径，AGI落地的“最难一战”正在被一步步攻克。