9月18日凌晨，阿里巴巴达摩院和浙江大学医学院附属第一医院等机构的成果登上了《科学》（Science）杂志。我把中新社、科学网、凤凰网几家报道挨个翻了一遍，把里面的数字逐一核对过，越看越觉得：这件事不只是医生圈的新闻，它藏着一个普通人也能借用的思路。
先说一个细节。浙大一院放射科主任肖文波从业30多年，她对着记者说了一句大实话：“你问问年轻医生，他们最怕进的科室组别，就是腹部影像组。”一份腹部CT通常有数百张切片，几十个器官相互重叠、软组织密度相近，病灶信号可能非常细微——即便是中高级医生，写完一份腹部CT报告也要20分钟到半小时。
这次登上《科学》的AI模型叫 DAMO RADAR，能从单张腹部增强CT里一次性识别146种病症，覆盖18个器官。在覆盖14家医院、26名放射科医生的人机对比试验里，它的平均诊断准确率超过了其中23名医生。
老路为什么走不通
医疗影像AI过去流行“一病一模”：肺结节一个模型、胰腺癌一个模型、糖尿病视网膜病变再来一个。达摩院高级算法专家张建鹏打了个比方——单病种AI“就像善攻个别题型的学生，固定题型考试成绩优异，换一类题目便无从下手”。而且每针对一种疾病训练，通常就要花2年左右，严重依赖医生逐张勾画病灶的人工标注，成本高，训好了还不能迁移到其他病种。
照这个速度，人体几百种病，得训到猴年马月。
真正的转折：不标注一张图
这个团队最狠的一步，是一张图都没人工标注。
他们用的是医院里本来就有的数据：每一份CT影像，都对应一份医生写好的诊断报告。模型直接学习“影像↔报告文本”之间的内在关联——这是视觉-语言学习的路子。再配上国际首创的“器官级细粒度对齐”：把三维CT拆解成肝脏、胰腺、胆道等独立的解剖单元，让AI复刻老医生的阅片逻辑，一个器官一个器官地对着报告核查，避免大片正常组织的背景干扰。
结果呢？近4万例真实临床病例测试，平均AUC（区分患者与正常人的能力指标，1代表完美区分）达0.913；就算换到从没训练过的急腹症场景，AUC仍有0.904。在AI辅助下，医生诊断敏感性提升10%，阅片耗时减少30%以上，低年资医生能达到高年资专家的诊断水平。目前算法代码和权重已面向全球完整开源。
这里藏着一条我觉得比“AI超过医生”更值钱的洞见：**最好的训练数据，往往早就躺在你的工作流程里，只是没人把它配对。**医生们几十年如一日写下的报告，平时是病历档案，换个视角看，就是海量免费的“影像+答案”教材。AI从专才到通才的那级台阶，不是靠更多人去标数据，而是靠发现了已经存在的数据。
跟你有什么关系
两件事，今天就能做。
**第一，体检报告别硬啃，也别指望AI替你下诊断。**正确用法是让AI帮你“读懂+整理”：把报告里的专业名词翻译成大白话，再列出一份该问医生什么的问题清单。我平时整理这类材料，用的是 spark1.cn 的 /tools/ 里现成的工具链，比如 /ai-writer 把一份乱糟糟的报告要点归置成结构化清单——拿着清单去门诊，三分钟问诊不至于大脑一片空白。当然，最终判断永远交给医生，AI只是帮你不慌。
**第二，把你的工作也“配对”一遍。**你写过的方案、周报、客户沟通记录，就像医院里那些CT和报告——过去只当存档，其实都是喂养个人AI工作流的教材。挑一个高频场景，把“输入材料+成品”成对整理出来喂给AI，它的输出质量会肉眼可见地往上走。
这篇报道里最打动我的，不是“AI赢了23名医生”，而是肖文波说的那个用途：像智能阅片导航，让年轻医生也能从容面对最难的腹部CT。AI对普通人的意义也一样——不是跟你抢饭碗，而是让你在难的事情面前，多一双从容的眼睛。
本文素材综合自中新社、科学网、凤凰网科技、杭州网等公开报道。
💬 评论