重點摘要
南華早報報道，阿里巴巴達摩院與浙江大學醫學院等團隊開源通用醫學影像模型 DAMO RADAR，可在增強腹臟電腦斷層掃描（CT）上覆蓋約 18 個器官、辨識近 150 種臨床發現；官方程式庫寫明相關論文刊於《Science》。本文已核對南華早報專稿、GitHub 開源庫與《Science》DOI 連結，來源真實性已驗證。
南華早報於 2026 年 9 月 18 日晚間報道，阿里巴巴集團研究機構達摩院開源名為 DAMO RADAR（亦稱 RADAR）的視覺語言模型，目標是在對比劑增強的腹臟 CT 上，一次覆蓋多個器官與多類病變（包括惡性腫瘤等異常），並把模型、程式與框架公開。本文以南華早報可核對文本為新聞入口，再對照官方 GitHub 倉庫 alibaba-damo-academy/damo-radar、Hugging Face 組織 radar-generalist，以及倉庫標示的《Science》論文 DOI（10.1126/science.aec6129）；來源真實性已驗證。此題與早前「美國聯邦公報曾用 Qwen」屬不同事件軸線：焦點改為醫學影像通用模型、開源復現與醫院落地，而非監管搜尋介面。
一、核心事件：從單一病灶到「腹臟通用雷達」
技術細節
按南華早報與官方開源庫可交叉核對的要點：
- 產品定位：RADAR 全名寫作 Rapid Abdominal Diagnosis with AI and Radiology；達摩院稱其為面向腹臟 CT 的專家級通用（generalist）醫學影像 AI。南華早報引述團隊說法，指模型可分析覆蓋約 18 個腹臟器官的增強 CT，並識別約 146 項臨床發現／近 150 種相關病況。
- 訓練規模（官方 README）：GitHub README 寫明，模型在逾 40 萬例對比劑增強腹臟 CT 檢查上訓練，並使用約 1,500 萬組解剖感知（anatomy-aware）影像—文本配對，直接從臨床報告學習，無需人手逐張標註。
- 公開評估數字（南華早報轉述）：報道指團隊在近 4 萬例真實世界檢查上測試，146 項臨床發現的平均曲線下面積（AUC）約 0.913（AUC＝1.0 代表完美分類）；並稱在多數放射科醫生比較場景中表現更佳。本文不另行發明外部醫院數字；若後續論文正文披露更多外部驗證，應以《Science》全文為準。
- 開源交付：官方倉庫提供訓練、推論、前處理文件，並指向 Hugging Face（
radar-generalist）下載權重與輔助資料；另有 Zenodo 歸檔。倉庫主 README 標示程式以 Apache-2.0 釋出，同時徽章亦指向 CC BY-NC-SA 4.0——落地前必須分開核對程式碼授權與模型／資料授權條款，不可假設「開源＝可商用」。 - 學術出口：倉庫以徽章連結《Science》論文
https://www.science.org/doi/10.1126/science.aec6129；南華早報亦指相關研究刊於《Science》。
二、技術原理深度解析：報告監督、多器官任務與通用路線
本案技術核心不是「再做一個胰臟癌專用模型」，而是把放射報告當成大規模監督訊號，訓練可同時處理多器官、多病種的視覺語言系統：
- 為何走「報告對齊」而非全人手標註：腹臟 CT 病例量巨大，若每例都由專家逐體積標出 146 類發現，成本不可擴。RADAR 的路線是把既有臨床報告與影像對齊，用解剖感知的圖文對，讓模型學「報告怎麼寫、影像哪裡對應」，從而把醫院日常產出轉成訓練燃料。
- 通用（generalist）vs 專科（specialist）：過去醫學影像 AI 常見「一病一模型」。通用模型希望在同一套權重上覆蓋肝、胰、膽、腎、脾、腸等結構與良惡性／炎症等多樣發現，減少醫院維護數十套管線的整合成本。代價是：對極罕見病、掃描協議差異與設備漂移，必須用本地微調與持續監測補上。
- 工程底座可見於依賴清單：官方 README 列明建基於 LAVIS、nnU-Net、MONAI、3D-ResNets 等開源專案——顯示這是「研究框架 + 可復現訓練／推論腳本」型開源，而不是只有演示網頁。對醫院 IT 而言，真正門檻往往在 DICOM 管線、去識別、GPU 推論延遲與放射工作站整合，而不只是下載權重。
- 臨床意義邊界：AUC 與「優於多數放射科醫生」的比較，屬於研究環境指標；不等於已取得各地區醫療器材註冊、亦不代表可無人值守出具正式報告。開源降低的是研究與原型門檻，臨床責任與法規路徑仍在醫院與廠商端。
三、代幣經濟學／協議層影響
本則屬醫學 AI 研究與開源釋出，不涉及代幣發行、質押或鏈上協議參數，故不展開代幣經濟學分析。
四、日常應用場景
1. 開發者與技術團隊
若你在做醫學影像平台、PACS／RIS 外掛、或私有視覺語言模型推論服務，可把 RADAR 當「腹臟 CT 通用基座」做離線復現：先跑官方推論 demo，再用院內去識別資料做領域適配。重點工程項包括：CT 窗寬窗位與層厚標準化、報告文字清洗、以及把模型輸出對應到院內結構化編碼（而非直接把自然語言當診斷結論）。
2. 企業與隱私敏感行業
醫院、保險與藥研最敏感的是「把 CT 與報告送上境外公有雲」。開源權重反而打開另一條路：在本地 GPU／專用叢集部署，數據不出境，再以院內標註或合成資料做持續學習。採購時仍要釐清：模型權重授權是否允許商用、訓練資料譜系、以及不良事件監測流程。
3. 一般用戶
一般讀者短期不會「下載 RADAR 自己看 CT」；中期影響是放射科工作流可能多一層 AI 初篩／雙讀輔助，縮短報告週轉。患者仍應以持牌醫生解釋為準——開源模型降低的是研究複現成本，不是把診斷責任轉給 GitHub。
4. 香港與亞洲市場視角
香港公營與私營醫療同樣面對放射人力緊張與腹臟急症／腫瘤篩查需求。亞洲多中心資料與中文報告生態，使「報告監督的通用模型」對本地更有親近感；但香港落地仍須對齊私隱條例、醫療儀器監管與醫院資訊安全基線。對有 NDA／數據主權要求的診所集團與健康科技公司，把影像 AI 與企業私有語言模型放在同一套「數據不出境」架構，往往比直接接海外 SaaS 更易過合規關。
五、專業評價與潛在考量
優勢
- 有南華早報專稿 + 達摩院官方 GitHub／Hugging Face 可核對，證據鏈完整。
- 《Science》DOI 由官方倉庫標示，學術出口清楚。
- 訓練規模（40 萬＋檢查、1,500 萬圖文對）與「報告監督、免人手逐張標註」路線，對業界有方法論參考價值。
- 開源降低復現門檻，有利醫院與研究機構做本地適配。
需要留意的地方
- 南華早報披露的 AUC 等數字屬報道轉述；細節、外部驗證與比較實驗設計應以《Science》全文為準（目前部分鏡像受網站防護，本文不臆造未核對表格）。
- 「開源」不等于「可任意商用」：須分開核對程式碼與模型／資料授權。
- 臨床部署仍需法規註冊、質控與放射科雙讀流程；指標優異 ≠ 可取代醫生。
- 腹臟協議、掃描機型與人口結構差異，可能令跨院表現下滑，本地驗證不可省。
- 與阿里雲／通義生態的產品化路徑未在本則完全展開，讀者勿把研究開源直接等同商業 SaaS SLA。
結語
DAMO RADAR 把「腹臟 CT 通用診斷」推進到可開源復現、並以《Science》作為學術背書的節點。對香港與亞洲的醫療與健康科技團隊而言，啟示是：下一代醫學 AI 競爭，正從單病種專科模型，轉向可本地部署、可用院內報告持續適配的通用影像基座。若機構希望在香港以數據不出境方式託管私有模型，做 Dataset → QLoRA／LoRA → 私有 API 的閉環，可參考 YSK Limited 的企業私有 LLM 全託管（年費 HK$88,000 起，100% 數據不出境）：https://ysk.hk/services/ai-automation。
參考來源
- 南華早報：《Alibaba open-sources medical AI model that can detect cancer and nearly 150 conditions》（2026-09-18）https://www.scmp.com/tech/big-tech/article/3368055/alibaba-open-sources-medical-ai-model-can-detect-cancer-and-nearly-150-conditions
- 達摩院官方 GitHub：
alibaba-damo-academy/damo-radar（RADAR README，含訓練規模與《Science》連結）https://github.com/alibaba-damo-academy/damo-radar - 《Science》論文 DOI（官方倉庫標示）：https://www.science.org/doi/10.1126/science.aec6129
- Hugging Face：
radar-generalisthttps://huggingface.co/radar-generalist - Zenodo 歸檔：https://zenodo.org/records/21271172
- X 發現（SCMPNews，非事實來源）：https://x.com/SCMPNews/status/2100956427682546017
- YSK Limited 企業私有 LLM 全託管：https://ysk.hk/services/ai-automation