医疗 AI 赛道格局要变！9 月 18 日，中国杭州诞生一项世界级突破。阿里达摩院联合浙大一院研发的 DAMO RADAR 面世，成为全球首个比肩影像科专家的通用医疗影像 AI。覆盖腹部 18 个器官，识别 146 类病症，成果登上《科学》，直接给硅谷的同行带来不小冲击。

9 月 18 日，中国一款医疗影像 AI 登上《科学》，达到资深放射专家水平，还直接对外开源。
 
这套系统名叫 DAMO RADAR，由阿里达摩院联合浙大一院等机构共同研发，专门解读腹部增强 CT 片子。
 
一次扫描，它能覆盖腹部 18 个器官，识别 146 种病变。
 
很多人第一反应是 AI 替代医生，但它本质上是医生的辅助工具，不会独立出具最终诊断结论。
 
研究团队做过对照测试，邀请 14 家医院一共 26 名影像科医生同台比对，其中包含 11 名资深专家和 15 名初级医师。
 
在 300 份病例测试里，DAMO RADAR 综合表现超过 23 名参与测试的医生，只有 3 名资深医生的结果略优于模型。
 
人机协同阅片的时候，医生检出疾病的灵敏度提升约 10%，单份片子的阅读时间缩短三成以上。
 
这组数据说明，AI 不是来抢岗位，而是帮医生减少漏诊，减轻长时间阅片带来的疲劳。
 
在它出现之前，全球医疗影像 AI 基本都是一病一模。
 
研发团队要花大量人力，一张一张手动标注 CT 影像，训练出来的模型只能筛查单一病症。
 
如果医院想同时查肝脏、胰腺、肾脏多种问题，就要部署好几个独立 AI 产品，采购成本和维护压力都会成倍上涨。
 
DAMO RADAR 换了训练思路，直接学习 CT 影像和放射报告之间的文字图像关联，不需要海量人工标注，实现一个模型处理腹部多种病变，直接改变医疗影像 AI 过去的开发范式。
 
最容易被普通人忽略的一点，是项目选择开源。
 
整套模型代码和权重基于 Apache 2.0 协议公开，全球科研机构、医院技术团队都可以下载、研究，还能在此基础上继续迭代。
 
放在全球行业背景下看，这个决定和美国主流医疗 AI 企业的选择完全不一样。
 
美国医疗 AI 赛道更看重商业闭环，产品大多闭源交付，医院采购一般按设备、按扫描次数收费，很多系统一年的合同费用动辄数十万美元。
 
企业优先保护模型代码，核心逻辑是守住技术壁垒，靠授权、订阅持续赚取收益。
 
两条路线背后，是两种完全不同的取舍。
 
美国企业优先考虑资本回报，技术会变成门槛，只有资金充足的大型医疗机构才有机会使用，小医院、基层诊所很难承担持续付费压力。
 
企业担心一旦开源，核心技术会被竞争对手复制，商业收入直接受损。
 
国内这次的选择，则是优先放大技术普惠价值。
 
开源不等于免费落地，医院想要投入临床使用，仍然要走完合规审批流程，但科研门槛被大幅降低。
 
县域医院、高校实验室不用从零开始搭建底层模型，可以直接基于这套基础框架，结合本地患者数据做适配。
 
对于医疗资源薄弱的地区，这意味着未来有机会用更低成本获得高质量影像辅助筛查能力。
 
很多人会担心开源带来安全风险，害怕模型被不当使用，或是隐私数据泄露。这套模型本身只负责影像识别，不附带患者原始病历数据，临床使用依然要严格遵守医疗数据保护相关法规。开源开放的是算法能力，不是病人隐私信息，这一点需要区分清楚。
 
这里有一个容易被忽视的判断：技术开源不等于产品落地完成。
 
论文发表、代码公开，只是走完科研阶段。真正走进国内各级医院，还要完成医疗器械注册、不同地域人群的数据验证，适配不同品牌 CT 设备。
 
从实验室成果，到门诊急诊里稳定使用，中间还有很长一段路。但开源把技术底座交到更多研究者手里，能让全球更多团队一起寻找缺陷，加速临床验证。
 
普通人最能切身感受到的价值，集中在基层医疗。
 
国内影像科专家资源集中在大城市三甲医院，很多县城医院缺少经验丰富的放射医生。
 
有成熟通用影像 AI 作为辅助，基层医生在看片时，能拿到额外提示，减少漏诊，患者不用每次都长途跑到省会做复查。
 
这种普惠方向，正是国内 AI 发展的一个典型思路，重大技术突破不锁起来做成高价商品，而是降低门槛，让技术红利扩散到更多普通患者。
 
中美两条路线没有绝对对错，只是目标优先级不同。
 
美国商业化路线能快速让企业变现，持续吸引资本投入研发，但技术会变成昂贵服务。
 
普惠开源路线短期商业回报有限，企业要承担巨大研发投入，好处是能加速行业整体进步，优先照顾资源不足的区域。
 
这笔账，不同市场会做出不同选择。