Alibaba DAMO Academy razem z Pierwszym Szpitalem Klinicznym Wydziału Medycznego Uniwersytetu Zhejiang opublikowały 17 września 2026 roku w czasopiśmie „Science” model RADAR, który z jednego badania tomografii komputerowej jamy brzusznej z kontrastem rozpoznaje 146 nieprawidłowości w 18 narządach i strukturach anatomicznych, osiągając średnie AUC 0,913 na blisko 40 tysiącach rzeczywistych badań. Dzień po publikacji pracy Damo Academy udostępniła kod i wagi modelu publicznie, na GitHubie i Hugging Face, przy czym sam kod objęty jest licencją Apache 2.0, a model i dane pomocnicze oznaczono licencją niekomercyjną CC BY-NC-SA 4.0.
- Model RADAR, opracowany przez Alibaba DAMO Academy i Pierwszy Szpital Kliniczny Wydziału Medycznego Uniwersytetu Zhejiang, rozpoznaje 146 nieprawidłowości w 18 narządach na podstawie jednego badania tomografii komputerowej jamy brzusznej z kontrastem, osiągając średnie AUC 0,913 na blisko 40 tysiącach rzeczywistych badań – podczas gdy najlepszy konkurencyjny model wizyjno-językowy uzyskał AUC 0,776.
- W badaniu porównawczym z udziałem 26 radiologów z kilku szpitali RADAR osiągnął wyższą średnią dokładność niż 23 z nich, a lekarze korzystający z jego podpowiedzi skrócili czas opisu badania o ponad 30 proc. i poprawili wykrywalność zmian o około 10 proc.
- Kod modelu jest dostępny publicznie na licencji Apache 2.0, jednak wagi modelu i dane pomocnicze objęto licencją CC BY-NC-SA 4.0, która zakazuje zastosowań komercyjnych – co oznacza, że firmy chcące zbudować na RADAR-ze komercyjny produkt napotykają prawną barierę wejścia, a polskie szpitale nie mogą wdrożyć modelu do rutynowej diagnostyki bez certyfikacji wyrobu medycznego wymaganej przez unijne rozporządzenie MDR i AI Act.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
RADAR uczył się z opisów radiologicznych, a nie z ręcznie oznaczanych zmian
RADAR (Rapid Abdominal Diagnosis with AI and Radiology) to model wizyjno-językowy, czyli system łączący analizę obrazu z tekstem. Zespół pod kierunkiem Qi Zhanga wytrenował go na 424 911 badaniach tomografii komputerowej jamy brzusznej z kontrastem, z których powstało 1,5 mln par obraz-tekst i ponad 15 mln par powiązanych z konkretnymi strukturami anatomicznymi. Model dzieli trójwymiarowy obraz TK na poszczególne narządy i przypisuje im odpowiadające fragmenty opisu radiologicznego.
To podejście omija najdroższy element budowy medycznej AI. Dotychczasowe systemy powstawały na zbiorach, w których lekarze ręcznie zaznaczali zmiany na kolejnych przekrojach, osobno dla każdej choroby. RADAR korzysta z opisów, które radiolodzy i tak napisali w ramach normalnej pracy.
Jedna rzecz ginie w większości nagłówków o tym modelu: 146 pozycji to nieprawidłowości radiologiczne, a nie 146 różnych nowotworów. Na liście są guzy złośliwe wątroby, trzustki, żołądka i jelita grubego, ale też stłuszczenie wątroby czy ostre zapalenie wyrostka robaczkowego.
Model osiągnął AUC 0,913, najlepszy konkurencyjny system wizyjno-językowy 0,776
W ocenie na blisko 40 tysiącach badań RADAR uzyskał średnie AUC 0,913 dla 146 rozpoznań, podczas gdy najlepszy konkurencyjny model wizyjno-językowy zatrzymał się na 0,776. AUC to miara zdolności modelu do odróżniania przypadków chorych od zdrowych, gdzie 1,0 oznacza pełną skuteczność.
Wyniki z pozostałych scenariuszy testowych, podane w komunikacie prasowym Amerykańskiego Stowarzyszenia na rzecz Postępu Nauki (AAAS), wydawcy „Science”:
| Scenariusz | Zakres | Wynik |
|---|---|---|
| Walidacja główna, 146 nieprawidłowości | blisko 40 tys. badań | AUC 0,913 |
| Najlepszy konkurencyjny model wizyjno-językowy | te same zadania | AUC 0,776 |
| Przypadki ostre, ratunkowe | ponad 27 tys. badań | AUC 0,904 |
| Osiem zewnętrznych ośrodków | kohorty wieloośrodkowe | AUC 0,895 |
Wynik z przypadków ostrych zasługuje na osobną uwagę, bo modelu nie trenowano na danych z oddziałów ratunkowych. Autorzy podają, że skuteczność utrzymała się też na rzadkich rozpoznaniach.
W badaniu porównawczym z udziałem 26 radiologów z kilku szpitali średnia dokładność modelu była wyższa niż u 23 z nich. Damo Academy podaje, że lekarze korzystający z podpowiedzi RADAR-a poprawili wykrywalność zmian o około 10 proc. i skrócili czas opisu badania o ponad 30 proc., a radiolodzy z krótszym stażem zbliżyli się wynikami do specjalistów z dużym doświadczeniem.
Zespół badawczy, cytowany przez „South China Morning Post”, nazwał RADAR „pierwszym na świecie uniwersalnym modelem obrazowania medycznego na poziomie eksperta” / „the world’s first expert-level generalist medical imaging model”. Warto pamiętać o kontekście tej publikacji: SCMP należy do Alibaby.
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Kod jest na Apache 2.0, ale wagi modelu objęto licencją zakazującą zastosowań komercyjnych
Sprawdziłem repozytorium na GitHubie i licencyjny obraz jest bardziej złożony, niż sugerują doniesienia o „pełnym otwarciu” modelu. Sekcja licencji w repozytorium alibaba-damo-academy/damo-radar wskazuje Apache License 2.0 dla kodu, ale zarówno README repozytorium, jak i karta organizacji radar-generalist na Hugging Face, gdzie leżą wagi modelu i dane pomocnicze, są opatrzone oznaczeniem CC BY-NC-SA 4.0. Ta licencja dopuszcza użycie z podaniem autorstwa, zakazuje zastosowań komercyjnych i wymaga udostępniania pochodnych na tych samych warunkach.
Dla ośrodka badawczego różnica jest bez znaczenia. Dla firmy, która chciałaby zbudować na RADAR-ze komercyjny produkt teleradiologiczny albo sprzedawać go szpitalom, to bariera na starcie. Kod można archiwizować także z Zenodo, dostępne są instrukcje trenowania i inferencji oraz demo.
Otwarcie modelu na tym poziomie to realna zmiana, ale nie taka, o jakiej piszą nagłówki. Nie jest tak, że polski szpital pobiera wagi z Hugging Face i od poniedziałku ma cyfrowego radiologa. Między repozytorium a pracownią diagnostyki obrazowej stoi walidacja na lokalnej populacji, integracja z systemem PACS, certyfikacja i odpowiedzialność prawna za przeoczone rozpoznanie. Każdy z tych elementów kosztuje więcej niż same wagi modelu.
Co mnie w tej publikacji przekonuje? Skala walidacji i to, że autorzy testowali model poza własnym podwórkiem: osiem zewnętrznych ośrodków i ponad 27 tysięcy przypadków ratunkowych, na których model nie był trenowany. To rzadkość w medycznej AI, gdzie spektakularne wyniki często rozsypują się przy pierwszym zderzeniu z innym skanerem i inną populacją pacjentów.
Ostrożny jestem wobec dwóch rzeczy. Po pierwsze, badanie porównawcze z 26 radiologami to sytuacja laboratoryjna, a nie dyżur na SOR o trzeciej w nocy. Po drugie, licencja niekomercyjna na wagi modelu oznacza, że „open source” jest tu terminem marketingowym, a nie ścisłym. Alibaba zyskuje pozycję w globalnym obiegu naukowym i standard, wokół którego będą pracować inni, zachowując kontrolę nad komercyjnym wykorzystaniem. To rozsądna strategia firmy, tylko nie nazywajmy jej filantropią.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
RADAR wpisuje się w serię modeli onkologicznych Damo Academy z ostatnich lat
Damo Academy buduje portfel medycznych modeli obrazowych od kilku lat i RADAR jest jego rozszerzeniem z pojedynczych chorób na całą jamę brzuszną.
- PANDA, model do wykrywania raka trzustki z tomografii bez kontrastu, opisany w „Nature Medicine” w 2023 roku. W walidacji na 20 530 kolejnych pacjentach osiągnął czułość 92,9 proc. i swoistość 99,9 proc. W kwietniu 2025 roku otrzymał od amerykańskiej FDA status breakthrough device, przyspieszający ścieżkę rejestracyjną.
- GRAPE, model do wykrywania raka żołądka z trójwymiarowych obrazów TK, opracowany wspólnie ze Szpitalem Onkologicznym w Zhejiang.
- Coca, pokazany w kwietniu tego roku model do wczesnego wykrywania raka jelita grubego z tomografii bez kontrastu. Damo Academy podała, że na skanach ponad 27 tysięcy osób osiągnął czułość 86,6 proc. i swoistość 99,8 proc. oraz wskazał pięć przypadków wcześniej przeoczonych.
Różnica między tamtymi modelami a RADAR-em jest zasadnicza. Tamte odpowiadały na pytanie „czy w tym narządzie jest nowotwór”. RADAR odpowiada na pytanie „co jest nieprawidłowe w całej tej jamie brzusznej”, czyli na to, które radiolog zadaje sobie przy każdym opisie.
W Polsce na badanie TK w trybie stabilnym czeka ponad 234 tysiące osób
Polski system diagnostyki obrazowej ma dokładnie ten problem, który RADAR adresuje: badań przybywa szybciej niż radiologów. Z raportu taryfikacyjnego Agencji Oceny Technologii Medycznych i Taryfikacji, opisanego przez Rynek Zdrowia, wynika, że liczba badań tomografii komputerowej wzrosła z 1,23 mln w 2017 roku do prawie 1,95 mln w 2024 roku. Łącznie badań TK i rezonansu magnetycznego wykonano w 2024 roku ponad 4,4 mln.
Liczba specjalistów rosła w tym czasie znacznie wolniej. W latach 2020-2023 liczba lekarzy specjalistów radiologii i diagnostyki obrazowej zwiększyła się o 10 proc., z 4 tys. do 4,4 tys.
Efekt widać w kolejkach, mimo że badania TK i MR od lat nie są limitowane. W okresie 2022-2025 liczba oczekujących na tomografię w przypadkach stabilnych wzrosła ze 107,5 tys. do 234,5 tys. osób, a w przypadkach pilnych z 17,6 tys. do 64,4 tys. Stawki za sam opis badania rosną: dyrektorka Szpitala Zachodniego w Grodzisku Mazowieckim Krystyna Płukis mówiła Rynkowi Zdrowia o cenach rzędu 200-230 zł za jeden zdalny opis TK na Mazowszu.
To rynek, na którym model skracający czas opisu o jedną trzecią miałby wymierną wartość finansową, nie tylko medyczną.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Modelu z GitHuba polski szpital nie wdroży bez certyfikacji wyrobu medycznego
Oprogramowanie przeznaczone do diagnostyki jest w Unii Europejskiej wyrobem medycznym w rozumieniu rozporządzenia MDR i wymaga oceny zgodności oraz oznakowania CE, zanim trafi do rutynowej praktyki klinicznej. Nakłada się na to AI Act, unijne rozporządzenie 2024/1689 o sztucznej inteligencji, zgodnie z którym system AI spełniający definicję wyrobu medycznego wymagającego udziału jednostki notyfikowanej trafia do kategorii systemów wysokiego ryzyka, z obowiązkami dotyczącymi zarządzania ryzykiem, jakości danych, dokumentacji technicznej, nadzoru człowieka i monitorowania po wprowadzeniu do obrotu.
Publikacja wag na Hugging Face nie zmienia żadnego z tych wymogów. RADAR może dziś w Polsce posłużyć do badań naukowych, walidacji na lokalnych danych albo prac rozwojowych zespołu, który zechce przejść pełną ścieżkę certyfikacyjną. Do opisu badania pacjenta na SOR nie posłuży, a zgodnie z polskimi przepisami lekarz i tak potrzebuje opisu radiologa, nawet jeśli sam dostrzega zmiany w obrazie.
Praktyczne znaczenie tej publikacji dla polskiej ochrony zdrowia jest więc pośrednie. Jeśli metoda uczenia z gotowych opisów radiologicznych okaże się przenośna na inne modalności obrazowania, jak zapowiadają autorzy, spadnie koszt budowy narzędzi diagnostycznych dla rynków takich jak polski, gdzie nikt nie sfinansuje ręcznego oznaczania setek tysięcy badań. Na razie to hipoteza, a nie wynik.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz badania An expert-level generalist AI for abdominal CT diagnosis, opublikowanego w czasopiśmie „Science” 17.09.2026 (DOI: 10.1126/science.aec6129), komunikatu prasowego American Association for the Advancement of Science z 17.09.2026 oraz repozytorium alibaba-damo-academy/damo-radar na GitHubie wraz z kartą organizacji radar-generalist na Hugging Face, gdzie zweryfikowałem informacje o licencjach.
Do weryfikacji kontekstu wykorzystałem także publikacje „South China Morning Post” dotyczące modeli RADAR i Coca, materiały o modelu PANDA z „Nature Medicine” oraz informacje o przyznaniu mu przez FDA statusu breakthrough device.
Dane o polskim rynku diagnostyki obrazowej pochodzą z raportu taryfikacyjnego AOTMiT, omówionego przez Rynek Zdrowia 14.10.2025.
Cytat zespołu badawczego został zweryfikowany z oryginalnym anglojęzycznym materiałem źródłowym.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o modelu RADAR i jego wykorzystaniu poza Chinami.
