面向腹部CT诊断的专家级通才AI：RADAR
核心概要
该工作开发了RADAR——一个在超过40万例增强腹部CT检查和1500万解剖结构对应的图文对上训练的通用视觉-语言模型，直接利用临床报告学习而无需人工标注，在18个解剖结构和146种影像表现的内部与外部多中心评估中取得高诊断性能与稳健泛化，并在读者研究中使26名放射科医师的诊断敏感度提升约10%。
深度剖析
RADAR是一个通用视觉-语言模型，可覆盖腹部CT的多种诊断任务，而非局限于单一任务。 相较以往范围有限的监督式策略，该模型面向18个解剖结构和146种影像表现进行诊断，体现出通才式覆盖。 基于超过40万例增强腹部CT检查与1500万解剖结构对应的图文对训练，并在内部与外部多中心、多种临床场景中评估。
RADAR直接从临床报告学习，无需人工标注。 这一学习方式减少了对人工标注的依赖，使模型能够利用大规模临床文本数据。 论文明确说明训练数据为临床报告，且未进行人工标注。
RADAR在内部与外部评估中表现出高诊断性能与稳健泛化能力。 评估覆盖多个中心和多种临床场景，支持模型在不同环境下的适用性。 评估涉及18个解剖结构和146种影像表现，并包含内部与外部验证。
在读者研究中，RADAR辅助使26名放射科医师的诊断敏感度提升约10%。 该结果提示通用AI可作为辅助工具提升人类专家的诊断表现。 读者研究纳入26名放射科医师，报告敏感度提升约10%。
启示与展望
该工作面向腹部增强CT诊断，覆盖18个解剖结构和146种影像表现，适用于多中心与多种临床场景；其可扩展、通用且可解释的方案为后续在更广泛放射学任务中的推广提供了基础。
当前文本为摘要级信息，未提供具体性能指标、读者研究设计细节、外部验证中心数量及模型可解释性的具体形式；这些内容需查阅完整论文以进一步了解。