مدل Damo Radar علی‌بابا ۱۴۶ بیماری شکمی را از روی سی‌تی‌اسکن تشخیص می‌دهد

تصور کنید رادیولوژیستی را که به‌جای تمرکز بر یک بیماری خاص، تمام پیچیدگی‌های ناحیه شکم را در یک نگاه می‌شناسد. حالا علی‌بابا این توانایی را در قالب یک مدل هوش مصنوعی در اختیار پزشکان قرار داده است.

طبق اعلام آکادمی دمو (Damo Academy)، مدل Damo Radar می‌تواند ۱۴۶ یافته بالینی مختلف، از جمله تومورهای بدخیم را در تصاویر سی‌تی‌اسکن شناسایی کند. این ابزار یک مدل بینایی-زبانی (Vision-Language Model) است؛ شبیه به دستیاری که هم‌زمان عکس رادیولوژی را می‌بیند و می‌تواند گزارش متنی دقیقی از آن بنویسد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدل‌های چندوجهی اشاره کردیم، ادغام بینایی و زبان، مرز تشخیص‌های پزشکی را جابه‌جا می‌کند. این پیشرفت در کنار توسعه مدل‌های تخصصی مانند OpenEvidence نشان می‌دهد که هوش مصنوعی در حال تبدیل شدن به یک ابزار جامع برای ارتقای دقت تشخیص‌های پزشکی است.

به گزارش منتشر شده در ۱۸ سپتامبر ۲۰۲۶، این مدل بر روی سی‌تی‌اسکن‌های تقویت‌شده با کنتراست و گزارش‌های بالینی آموزش دیده است. جزئیات فنی این دستاورد عبارت است از:

• دامنه پوشش: تحلیل ۱۸ ارگان مختلف در ناحیه شکم.
• دقت تشخیص: میانگین سطح زیر منحنی (AUC) برابر با ۰.۹۱۳ برای ۱۴۶ یافته.
• اعتبارسنجی: آزمایش بر روی نزدیک به ۴۰,۰۰۰ مورد واقعی.

این رویکرد نشان می‌دهد که صنعت به سمت مدل‌های «متخصصِ همه‌فن‌حریف» حرکت می‌کند. برای مراکز درمانی، این یعنی غربالگری سریع‌تر و کاهش احتمال خطای انسانی در کلینیک‌هایی که حجم بیماران در آن‌ها بسیار بالاست. این رویکرد مشابه مدل NYU-DRP در پیش‌بینی ریسک سرطان سینه است که با تحلیل دقیق تغییرات بافتی، امکان تشخیص زودهنگام را فراهم می‌کند.

تیم پژوهشی علی‌بابا تأکید کرده است که این متد آموزشی را می‌توان برای سایر بخش‌های بدن نیز تکرار کرد. بنابراین، احتمالاً به‌زودی شاهد مدل‌های مشابهی برای اسکن‌های قفسه سینه یا سیستم عصبی خواهیم بود.

گام بعدی شما

• پژوهشگران حوزه سلامت می‌توانند از وزن‌های باز این مدل برای شخصی‌سازی تشخیص‌ها در داده‌های محلی استفاده کنند.
• مدیران بیمارستان‌ها باید روی لایه‌های تری‌آژ (Triage) مبتنی بر AI برای کاهش فشار کاری رادیولوژیست‌ها سرمایه‌گذاری کنند.
• دنبال کنید که آیا این متدولوژی به اسکن‌های MRI نیز تعمیم می‌یابد یا خیر.

اما تأثیر این مدل‌ها بر حریم خصوصی داده‌های پزشکی بسیار پیچیده‌تر است — به بررسی ما درباره‌ی استانداردهای امنیت داده در AI مراجعه کنید.