top of page

DIAGENS iMed-6.0 新增覆盖 509 个目标的 CT 模型

7分钟前
讀畢需時 12 分鐘
Illustrative photograph. Photo: cottonbro studio / Pexels.

DIAGENS 于 2026 年 11 月 12 日推出一款覆盖 509 种疾病和影像学发现的 CT 模型,并同步公布了 DIAGENS iMed-6.0 的基准测试结果。这一公告扩大了其宣称的影像覆盖范围,但也留下了一个关键问题:如此广泛的覆盖将如何转化为可靠的临床辅助能力。

核心矛盾在于,模型评估异常情况的范围,与支持其用于患者诊疗的证据之间存在差距。更长的目标清单意味着更多提供帮助的机会,但也意味着更多需要解读、验证和妥善处理的结果。

阿里巴巴达摩院的 RADAR 为通用影像 AI 提供了一个相关的研究参照,即可在一次检查中处理多项发现的系统。对医院采购方和开发者而言,有价值的比较应聚焦于评估方法和工作流表现,而不只是标题中的数量。

DIAGENS iMed-6.0 实际新增了什么

该公告将更广泛的影像模型家族,与一个明确的胸腹部 CT 应用联系起来。

CT,即计算机断层扫描,可生成身体的横断面图像。DIAGENS 表示,其新应用支持使用和不使用造影剂的检查;造影剂有助于在某些扫描中区分不同结构。其 CT 模型公告称,覆盖范围横跨疾病和影像学发现。

这一措辞值得注意。影像学发现描述的是检查中可见的内容,而疾病标签描述的是一种医学状况。这两类内容可能重叠,但被纳入同一份目标清单,并不意味着每个目标都是已经独立确立的诊断。

其实践目标不难理解:以一个共享系统足够广泛地分析检查,从而支持多个问题的处理。其价值应来自对这些问题提供有用辅助,而非仅仅能够生成更多输出。

DIAGENS 将 Thoth 确定为中等规模的 iMed-6.0 版本,将 Aegis 确定为较小版本。该 CT 应用构建于 Aegis 之上。其最大版本 Horus 仍在公司的后续评估披露计划中。

这些区别将模型家族与本公告所描述的应用区分开来。与某一版本相关的结果不应自动迁移至另一版本。同样,一般性基准测试结果也不应替代特定 CT 工作流的证据。

对开发者而言,这带来一个直接的文档问题:究竟是哪一个具体模型产生了哪一项结果?当底层版本、应用配置或支持的输入发生变化却没有清晰记录时,评估会更难解读。

对采购方而言,相应的问题是他们实际会获得什么。研究结果、评估服务和生产应用代表不同层次的承诺。仅凭公告,不应让读者假定每项所述能力都处于相同的部署状态。

较为审慎的解读也更有用。DIAGENS 展示了其宣称能力的一项具体扩展。这一扩展是否支持可靠辅助,取决于附着于各项具体用途的证据。

因此,评估 DIAGENS iMed-6.0 的采购方应从预期任务入手。审查检查结果以寻找可能遗漏的发现,与起草报告或协助工作列表优先级排序,提出的是不同要求。

这些区别决定了成功应当意味着什么。如果输出结果带来不必要的审查、掩盖紧急信息,或让临床医生不确定应如何回应,那么发现更多异常并不是完整的目标。

该公告将广度提上议程。接下来的问题是,广泛覆盖的模型能否让一项明确界定的临床任务更易执行,也更易评估。

更广泛的覆盖提高了举证要求

通用 CT 模型的价值取决于是否能带来有用决策,而非其支持目标清单的长度。

压力最直接地落在 DIAGENS 和潜在医院评估者身上。一旦系统提供广泛覆盖,其评估就需要说明这种覆盖在预期工作负荷中的表现。

设想一个假设性的审查工作流:助手在已完成的扫描中标记若干可能异常。相关结果不只是它是否产出了发现。评估者还需要了解临床医生会如何处理这些发现。

一项输出可能会引起对某个值得审查问题的注意。它也可能重复报告中已有的观察结果、提出无关的可能性,或要求额外检查。这些可能性需要采用不同的有用性衡量标准。

因此,在任何试点开始前,拟定角色都至关重要。用于支持报告审查的助手,应根据报告审查需求进行评估。其在更广泛、彼此无关任务集合上的表现,只能为这一决策提供不完整的证据。

广泛覆盖也使结果呈现变得更为重要。临床医生需要区分可操作的信息与不确定或缺乏支持的输出。将每一种可能发现都视为同等重要,会使界面更难判断。

这既是评估问题,也是设计问题。模型的得分与这些得分传递给用户的方式,共同构成一个工作流。只测试底层模型,会让所提干预措施的一部分未经检验。

一项有用的试点应明确输出如何进入现有工作流程、由谁审查,以及系统无法评估一项检查时会发生什么。这些是建议的评估要求,而非该公告已确立的能力。

采购方还需要有意义的比较对象。相关替代方案可能是现有临床实践、成熟的专科应用,或另一种拟议助手。与抽象理想状态相比,会掩盖新系统是否带来实际改进。

这也给专科供应商带来另一种压力。广泛模型会引发疑问:独立应用是否仍有必要。专科供应商可通过围绕其预期任务的聚焦证据来回应,而不是仅在覆盖范围上竞争。

商业层面的影响仍取决于条件。如果在保留有用性能的同时减少不必要的复杂性,整合功能将具有吸引力。一个需要大量额外核查的共享模型,则意味着另一种交易。

对医疗保健之外的 AI 产品团队而言,该公告说明了一个熟悉的评估问题:系统宣称能力的扩展速度,可能快于支持每种用途的证据。产品广度与已证明的可靠性需要分别留存记录。

跟踪这些主张的团队,可以在 可搜索知识库中整理发布文档和评估记录。这有助于证据管理;临床决策仍需要合适的临床系统和监督。

因此,更广覆盖的直接后果是更严格的评估。每一种拟议用途都需要明确目的、恰当比较,以及证明综合工作流能带来值得采用价值的证据。

所报告的 AUC 并非诊断准确率

CT 结果描述的是各项评估任务中的区分能力,而不是被正确诊断患者的百分比。

DIAGENS 在其 影像评估披露文件中报告了一项内部评估,涉及来自多家医院、近 40,000 对 CT 检查与报告配对数据。其报告称,在全部 509 个目标上,宏平均零样本 AUC 为 0.855;在选定的 249 个目标子集上为 0.930。

AUC 衡量的是,分数在不同可能决策阈值下区分阳性与阴性病例的能力。宏平均为每项任务赋予相同权重。零样本分类评估的是在该分类设定下,未提供任务专属示例时的目标表现。

该文件明确指出,这些数字不等同于诊断准确率。文件还警示,不同研究的覆盖定义存在差异,不能据此建立直接的模型性能比较。

这些限定避免了几种看似诱人的简化方式。选定子集的数值不应被表述为“93% 的诊断准确率”,也不应在未说明的情况下替代完整目标集的结果。

这种区别会影响采购方能够作出的推断。汇总指标可以描述一项评估,但无法回答某项具体发现,在实际使用的决策点上表现如何。

这个决策点即阈值,也就是某项输出触发特定行动的分数。选择阈值意味着决定哪些错误对预期任务更重要。恰当选择需要临床背景。

因此,审查可能遗漏异常的评估者,需要的不只是总体平均值。有用的支持证据应说明被评估的发现、参考判断,以及依据输出采取行动的后果。

敏感性,即检出的阳性病例比例,有助于描述漏检情况。特异性,即正确排除的阴性病例比例,有助于描述不必要的标记。任何一项指标本身都无法构成完整评估。

结果的分布同样重要。良好的平均值无法揭示性能是否在各目标间保持一致,还是集中在特定任务中。不同发现可能具有不同的实际重要性。

选定子集还带来一个相关的报告问题。评估者应了解这些目标为何被选中,以及这种选择是否符合其预期用途。子集可以提供信息,但不代表完整应用。

这些是对可解释性的要求,而不是拒绝接受所报告结果的理由。公司已经披露了一项可量化的评估。下一步是将该测量与临床团队实际会作出的决策联系起来。

独立测试可通过减少对开发者自身评估的依赖,强化这种联系。它仍需要适当的设计、相关检查数据和清晰指定的结果指标。

因此,DIAGENS iMed-6.0 清楚地区分了有前景的模型结果与部署决策。前者可以证明进一步调查的合理性;后者则需要与拟议使用环境相匹配的证据。

无论公告传播到何处,这一区别都应保持可见。简化的标题很容易丢弃那些使底层数字可被解读的限定条件。

RADAR 提供研究参照,而非直接排名

RADAR 为广泛 CT 分析建立了相关背景,但有效的性能竞赛需要共享评估。

发表于 Science 的 腹部 CT 研究描述了 RADAR 对 146 项腹部影像学发现的分析。该研究报告称,在八个外部中心的评估中,平均 AUC 为 0.895。

这使得 RADAR 与 DIAGENS 所追求的方向具有相关性。两者都涉及 CT 检查中的广泛分析。然而,其公开范围和评估设置并不支持仅凭宣传数字就简单判定谁更胜一筹。

更大的目标数量可能反映更广的覆盖范围、不同的定义,或两者兼有。评估者在将这些数量视为可等价比较的单位之前,需要审查每个目标具体代表什么。

汇总性能也是如此。不同的检查、参考判定和任务定义,都会改变某项报告结果的含义。将两个数字并列,并不能消除这些差异。

直接比较需要一套商定的任务集和共同的评估设计。它还应说明两个系统是否支持相同的输入,以及其输出是否服务于相同的临床目的。

这将回答一个比“哪个系统宣传的范围更大”更聚焦、更有用的问题:这些系统在可比条件下表现如何。

RADAR 也为理解广泛输出为何需要解读提供了具体参考。一项独立放射学分析考察了其发现评分,并解释了为何单项结果并不能自动确定临床诊断。

该分析涉及 RADAR,并非对 DIAGENS 的临床评估。它在这里的方法学意义在于:输出评分需要置于具体语境中理解,专家解读仍不同于一组模型预测的简单集合。

与更广泛 iMed 系列相关的基准测试主张同样需要谨慎看待。DIAGENS 报告称,Thoth 的 MedBench 总分为 64.4,Aegis 为 61.7。这些基准结果针对的是既定评估任务,而非已得到验证的患者结局。

该公司还报告,Thoth 的 MMMU Test 得分为 66.2%,高于此前公布的最佳成绩 65.9%。MMMU 评估跨学科多模态理解,即模型在结合不同类型信息的任务中的表现。

该文件将其公开排行榜比较的日期定为 2026 年 11 月 11 日。文件明确表示,这些比较并不意味着该公司的模型已被列入公开排行榜。

对读者而言,重要的是区分报告的评估结果、公开排名和临床证据。三者都可以提供信息,但没有任何一项会自动提供其他两项。

因此,竞争的关键既在于证据质量,也在于模型开发。DIAGENS 可以通过可复现的评估和具有临床相关性的测试,使其论点更具说服力。其他开发者同样面临这一责任。

一场有价值的竞争,应当奖励那些更容易审查其范围、局限性和工作流价值的系统。覆盖范围创造机会;可比证据决定买方能够以多大信心据此采取行动。

部署论证仍未完成

经审查的公告支持进一步评估,但尚不足以证明该 CT 模型已获得独立临床验证或改善患者结局。

这是对现有证据边界的说明,而非认定该系统无法提供帮助。产品公告和临床研究回答的是不同问题。

公告描述的是开发者声称其已构建并测量的内容。部署评估则需要在预期环境中审查拟议应用。两类文件均不能替代另一类。

FDA 的医疗 AI 原则为评估医疗器械开发提供了相关的一般背景。这些原则强调,应采用覆盖全生命周期的方法开发安全、有效的 AI 医疗器械。

这些原则并不构成对 DIAGENS 的监管判断。它们说明了为何基准测试公告只是买方所需证据的一部分。

考虑采用该系统的医院,需要明确了解预期使用者、支持的检查类型和拟议角色。医院还需要了解,当输入超出该范围时,用户应如何处理。

再设想另一种假设情况:某项检查采用的采集协议不在已评估的设置范围内。负责任的评估应询问,该应用如何识别这一情况,并如何传达其局限性。

公告并未确立答案。明确提出这一问题,有助于避免评估者误以为广泛的目标覆盖范围也意味着对输入没有限制。

版本管理带来了另一项实际问题。如果模型在评估期间发生变化,买方需要知道哪些结果适用于哪个版本。否则,证据与产品可能逐渐脱节。

FDA 的医疗 AI 透明度指南为传达机器学习医疗器械相关信息提供了参考。清晰的信息有助于用户理解报告性能所对应的条件。

DIAGENS 描述了一项更广泛的战略,其中包括 iMedLoop——其用于开发专科影像 AI 的平台。该商业主张将共享基础能力与针对特定需求调整的应用联系起来。

这形成了一个值得探讨的商业假设:通用平台或许能使应用开发更具可重复性。但它也带来证据责任。每个应用仍需为其自身的预期用途提供支持。

因此,应将定制化与验证和维护所需的工作一并评估。更简单的开发界面本身并不能回答,由此产生的应用是否适合某项临床任务。

同样的谨慎也适用于商业预期。潜在使用场景的扩展,并不能证明这些场景已实现采用、持续使用或产生收入。

买方和投资者应将这些里程碑区分开来。模型能力、运营部署和持续商业使用代表不同的成就。某一项的证据不应被表述为所有项的证据。

尚未解决的部署论证,是该公告最具影响力之处。DIAGENS 已将一项广泛主张具体化到足以接受评估的程度。其价值现在取决于这一评估揭示什么。

三个信号将澄清下一步走向

下一项有意义的证据应将模型主张与独立测试、实际工作流表现以及清晰记录的部署联系起来。

第一个信号,是针对开发者内部评估之外检查样本的独立评估。在未来一到三个月内,应关注其他人可以审查的详细方法、任务定义和结果。

最具信息价值的披露应明确说明评估条件。读者应能够识别所测试的版本、支持的输入、比较方法,以及用于评估输出的参考判定。

在相关外部条件下取得一致结果,将加强对进一步研究的理由。表现不均衡则会缩小值得关注的应用范围。无论哪种结果,都比又一项未经限定的覆盖范围主张更具决策价值。

第二个信号,是关于临床医生与模型协同工作的证据。应关注前瞻性评估,即在收集结果之前,围绕既定工作流规划的测试。

这类工作应明确说明该助手预期改善什么。报告审阅应用需要关于审阅的证据;优先级排序应用需要关于排序的证据。

有用的结果应同时反映收益和新增工作量。一种能够呈现相关信息、却需要大量不必要核查的应用,与改善整体任务的应用,构成不同的价值主张。

显示出实际收益的结果将强化商业论证。若结果显示收益有限,或审阅流程负担沉重,讨论将回到更狭窄的使用场景。

第三个信号,是针对特定 CT 应用的部署和监管清晰度。应关注明确的预期用途、适用的授权细节、版本文档,以及持续运营使用的证据。

这些披露将有助于区分研究能力与面向特定临床环境提供的产品。任何授权均应根据其声明的范围来解读。

DIAGENS 还表示,计划发布更多关于 Horus 和 DoctorBench 评估的信息。这些发布将为该模型系列补充背景,但不会自动解决 CT 应用的临床问题。

对开发者而言,实际的回应是保留模型结果与工作流主张之间的区分。对买方而言,则是在选择支持证据之前先界定决策问题。

最有力的后续内容不需要更戏剧化的标题。它应精确展示系统在哪些方面有帮助、在哪些方面存在困难,以及这些结论是如何得出的。

应将 DIAGENS iMed-6.0 理解为其所宣称能力的一次具体扩展,然后持续关注将该能力与临床工作联系起来的证据。先从完整的评估范围入手,保留其中的限定条件,只有在底层任务一致时才比较结果。若您正在考虑试点,应明确预期工作流,以及哪些结果足以证明继续推进是合理的。要求提供受测模型版本、对不受支持检查的处理方式,以及审阅临床医生的职责。将未来发布内容与已完成评估的能力区分开来。带入下一则公告的问题应当很具体:新证据是否表明,该系统能在计划使用它的环境中提供有用的辅助?

 
 

免费开始使用

一款本地优先的AI助手

为了获得更好的人工智能体验,

remio 目前仅支持Windows 10+ (x64)和M-Chip Mac 。

你的 AI 工作伙伴

和 remio 一起高效工作

规划、创作、交付

一站式完成

bottom of page