从一个个具体的现实困难出发，连点成线，走到了一片更开阔的地方。 文丨陈然 2016 年，AI 教父 Geoffrey Hinton 作出预言：该立即停止培养影像科医生了，他们在 5 年内就会被 AI 超越。 10 年过去了，影像科医生还在，但 2016 年前后纷纷入局的影像 AI 企业，纷纷折戟沉沙，只有少数幸存者还在挣扎。 Hinton 低估了医疗的难度。 医疗对模型精度的要求近乎苛刻，对错误和幻觉的容忍度极低，也许是 AI 的终极测试场。它曾把影像 AI 困在专病模型里，也困住了 AI 企业。 9 月 18 日，国际顶级学术期刊 Science 罕见刊发一篇医疗影像 AI 论文，引发对 Hinton 预言的 “回旋镖” 讨论。论文介绍了一款达到专家水平的通用医疗影像模型 DAMO RADAR，针对腹部增强 CT，它突破 “一病一模” 的限制，同一个模型可以识别 18 个腹部器官上的 146 种病症。 研发模型的是阿里巴巴达摩院。过去几年，他们还连续发布了平扫 CT 上的胰腺癌、胃癌、肠癌筛查模型，以及主动脉夹层预警模型等多款突破性的专病模型。 主流视线之外，达摩院医疗 AI 已悄然走过十年，他们就像在玩一个拼图游戏：从单病模型、到多病联筛，再到通用模型，用一次 CT，去发现包括癌症在内的多种重大疾病隐患，完成 “超级检查”。医疗影像 AI 也第一次从单点的技术创新，变成可规模化的超级产品。 AI 行业（也包括具身智能）常常困惑于 “拿着锤子到处找钉子”，找不到合适的应用和落地。达摩院的医疗 AI 之路，某种程度上从一开始就避开了这个问题——他们从一个个具体的现实困难出发，连点成线，也逐渐穿越传统医疗 AI 的周期，走到了一片更开阔的地方。 从一张平扫 CT 里，看到人眼看不到的风险 2017 年，达摩院伴着改变世界的愿景成立，医疗也在其布局之内。有多年医疗影像 AI 行业经验的许敏丰在这时候加入。 最初几年，他们做的也是当时行业里热门的同质化产品，包括在平扫 CT 上识别肺结节和骨折，难度相当于 “在黑纸上找白点”，并没有太大的挑战。行业里的很多医疗影像公司却据此获得大量融资，风头堪比今日的具身智能。 许敏丰后来觉得，这些工作只是用深度学习把医生原本就在做的事重新做了一遍。模型可能更快、更准，却没有让 AI 解决新的问题。这是典型的从 “AI 能做什么” 角度出发的工作，却未必是医疗真正需要的东西。 转折发生在 2020 年。 新冠疫情暴发后，大量患者涌入医院，肺部 CT 成为医生判断病变范围和病情变化的重要依据，但一套 CT 扫描包含数百张影像切片，激增的检查量很快超过了医生的处理能力。 凭借之前几年的积累，许敏丰带着几名算法和工程人员花了两周在家赶做出了一款 AI，可以自动识别新冠肺炎病灶，并帮助医生快速判断病变的范围。这是全国范围的第一个新冠肺炎 CT 辅助诊断系统，首行代码后来入选了国家博物馆的馆藏。 这段经历改变了团队对医疗影像 AI 的理解：同样是肺炎，新冠肺炎和普通肺炎在人眼看来都是炎症，AI 却可能从细微的影像差异中加以区分。 而在 2021 年加入达摩院的张灵，则奔着一个更为大胆的设想而来：一张普通的平扫 CT，除了医生原本要看的疾病，还能不能看出更多医生没有特别留意、也不习惯用肉眼判断的信息？甚至是一些重大癌症的早期信号。 张灵从 2008 年前后就开始研究医疗影像 AI，他加入达摩院后，团队开始集中推进与 “癌症之王”——胰腺癌的较量。这是一个明确的，医学上想要敲掉的硬 “钉子”。 超过 70% 的患者都是到了晚期才发现，生存率已不足 10%。因此，胰腺癌是所有癌症中致死率最高的。医生诊断胰腺肿瘤，通常要先向患者体内注射造影剂，再做增强 CT，这显然不适合常规体检。平扫 CT 倒是常用，但人眼几乎不可能看到早期的胰腺癌。 如果平扫 CT 能看见，医院为什么还要使用增强 CT？不少医生认为，人眼都看不清的病灶，AI 也很难可靠识别。 张灵最初同样使用增强 CT 研发模型。但同一名患者往往会留下平扫和增强两套影像，他试着把模型放到平扫 CT 上测试。结果出乎意料。没有造影剂，模型识别胰腺肿瘤的能力只下降了一点。 外面的人仍然不相信，但团队已经看到了这件事成立的可能。张灵回忆，那几年他们像是站在一块没人到过的地方，往前走一步，就能看到一点新东西。 项目尚未显示出明确结果时，能够获得的资源和支持也很有限，张灵回忆，早期真正坚持这项工作的只有包括他和一位合作医生在内的 3 个人。 任务开始后，他们首先遇到的是训练数据问题。医生在平扫 CT 上看不清肿瘤，也就很难直接标出病灶的位置；没有准确的标注，模型便不知道应该学习什么。 团队后来找到的办法是，请医生在同一名患者的增强 CT 上勾画肿瘤，再通过图像配准，把这个