Hugging Face's logo

Datasets:
chn123
/
sybil-radar-multiorgan-evaluation

Modalities:
Image
Formats:
imagefolder
Size:
< 1K
Tags:
medical-imaging
ct-scan
lung-cancer
sybil
damo-radar
abdominal-ct
Libraries:
Datasets
License:
Dataset card Data Studio Files
xet
 Community
1
Dataset Viewer
Auto-converted to Parquet Duplicate
Search is not available for this dataset
image
imagewidth (px)
2.07k
4.07k

Sybil Multi-Organ Risk Fusion & False Negative Rescue with DAMO RADAR

Quick Navigation / Hızlı Erişim:
🇹🇷 Türkçe Raporu Oku (Markdown) | Türkçe Word Raporunu İndir (.docx)
🇬🇧 Read English Report (Markdown) | Download English Word Report (.docx)
📊 Data & Predictions Folder | 🖼️ Authentic CT Visualizations

🇹🇷 Türkçe: Sybil Çoklu Organ Risk Füzyonu ve DAMO RADAR ile Yanlış Negatiflerin Kurtarılması

Sybil Çoklu Organ Risk Füzyonu ve DAMO RADAR ile Yanlış Negatiflerin Kurtarılması

Ulusal Akciğer Taraması Deneyinde (NLST) 36 Sybil Yanlış Negatifi (FN) ve 36 Eşlenmiş Doğru Negatif (TN) Kohortunun Karşılaştırmalı Değerlendirmesi

Tarih: Ekim 2026
Depo ve Dokümantasyon: Hugging Face Dataset Repository
Kullanılan Temel Model: Alibaba DAMO Academy RADAR (Science, 2026)

📌 1. Yönetici Özeti ve Klinik Gerekçe

Düşük dozlu toraks bilgisayarlı tomografisine (LDCT) dayalı akciğer kanseri risk tahmin modelleri (özellikle Sybil, Mikhael vd., Journal of Clinical Oncology 2023), tek bir taramadan gelecekteki kanser olasılığını belirlemede yüksek başarı göstermektedir. Ancak tarama kohortlarında yapılan klinik denetimler, Sybil'in Yanlış Negatiflerinin (FN) %85'inden fazlasının, ilk taramadan $\ge 2$ yıl sonra kanser teşhisi konmuş hastalardan oluştuğunu ortaya koymaktadır. İlk tarama anında primer akciğer lezyonu henüz mikroskobik boyuttadır, fiziksel çözünürlük sınırının altındadır veya radyolojik olarak iyi huylu değişikliklerden ayırt edilemez.

Bu çalışmada, intrapulmoner modelleri mikroskobik nodülleri aramaya zorlamak yerine; rutin toraks LDCT kesitlerinin alt sınırına doğal olarak giren ekstratorasik ve üst batın tutulumlarından (özellikle erken sürrenal bez anomalileri ve karaciğer tepe polü metastazları) yararlanmanın rasyonel, yüksek özgüllüklü bir kurtarma (rescue) stratejisi sunduğu hipotezi test edilmiştir.

Alibaba DAMO Academy'nin 3B genel amaçlı temel modeli RADAR (Zhang vd., Science 2026) kullanılarak:

  1. 36 Doğrulanmış Sybil Yanlış Negatif (FN) Vakası (Sybil 1. Yıl Skoru $< 0.15$, ortalama 0.103; takipte 2-6. yıllarda kanser tanısı doğrulanmış),
  2. 36 Eşlenmiş Doğru Negatif (TN) Kontrolü ($\ge 5$ yıl kansersiz takip, Sybil 1. Yıl Skoru $< 0.10$) karşılaştırılmıştır.

🚀 Temel Ampirik Bulgular

  1. İstatistiksel Olarak Anlamlı Ayrım ($p = 0.0319$): Kompozit ekstratorasik risk skoru (all_extra: sürrenal, karaciğer ve kot durumlarının maksimumu), 0.647 AUROC ($p = 0.0319$, Mann-Whitney U testi) elde ederek FN vakaları ile sağlıklı kontroller arasında şansa bağlı olmayan istatistiksel bir ayrım sağlamıştır.
  2. Karaciğer Metastazında %100 Özgüllük: $>0.50$ güven eşiğinde RADAR karaciğer metastazı riski, 36 Doğru Negatif hastanın hiçbirinde yanlış alarm üretmemiştir (%100 özgüllük, 0 yalancı pozitif). Aynı eşik, Sybil'in atladığı kanser vakalarının %16.7'sini (6/36) doğrudan kurtarmıştır.
  3. %27.8 Genel Kurtarma Oranı (FN Rescue Rate): Sürrenal $>0.50$ VEYA Karaciğer $>0.50$ çoklu organ karar kuralı ile Sybil'in kaçırdığı kanserlilerin %27.8'i (10/36) kurtarılmış; sağlıklı kontrollerde ise %88.9 özgüllük (32/36 temiz) korunmuştur.

🔬 2. Alibaba DAMO RADAR Temel Modeli Nedir? (Science, 2026)

2.1 Paradigma Değişimi: Genel Amaçlı Temel Model (Generalist Foundation Model) vs. Dar Görevli Radyoloji Yapay Zekası

Radyoloji alanında bugüne kadar geliştirilen yapay zeka sistemleri geleneksel olarak "dar görevli (narrow AI)" mimarilerle sınırlandırılmıştır: Bir model sadece akciğer nodüllerini tespit etmek, bir diğeri sadece karaciğeri segmente etmek, bir başkası ise tek bir lezyon türünü sınıflandırmak üzere özelleştirilmiştir. Bu dar yaklaşımlar, rutin bir klinik BT taramasında görülen çoklu organ ilişkilerini, sistemik hastalık belirtilerini ve karmaşık patolojileri tek bir bütün halinde kavrayamaz.

Alibaba DAMO Academy ve Zhejiang Üniversitesi Tıp Merkezi araştırmacıları tarafından geliştirilen ve dünyanın en saygın bilim dergisi Science'ta yayımlanan RADAR (Rapid Abdominal Diagnosis with AI and Radiology / Radiology Diagnosis and Reporting) (Zhang vd., Science, Cilt 393, Sayı 6817, 17 Eylül 2026, doi: 10.1126/science.aec6129), bu engeli aşarak bilgisayarlı tomografi alanındaki ilk uzman düzeyinde genel amaçlı 3B görme-dil temel modelini (generalist vision-language foundation model) sunmuştur.

Alibaba DAMO RADAR Temel Modeli Mimarisi (Science 2026) Şekil 0: Alibaba DAMO RADAR 3B Görme-Dil Temel Modeli Mimarisi ve Ön-Eğitim Süreci (Zhang vd., Science 2026). 400.000'den fazla kontrastlı batın BT'si ve 15 milyon anatomi uyumlu görüntü-metin çifti ile eğitilen model, 18 organ ve 146 klinik durumu manuel voksel çizimi gerektirmeden değerlendirebilmektedir.

2.2 Devasa Ön-Eğitim Ölçeği ve Zayıf Denetimli Öğrenme

  • Eğitim Verisi Büyüklüğü: Model, 400.000'den fazla kontrastlı batın BT incelemesi (RAD-CT) ile ön-eğitilmiştir.
  • Çok Kipli Süpervizyon: Toplamda 15 milyondan fazla anatomi uyumlu görüntü-metin çifti kullanılmıştır.
  • Manuel Etiketleme Yükünün Sıfırlanması: RADAR'ın en devrimci yönü, radyologlar tarafından aylar süren manuel lezyon çizimlerine (voksel segmentasyonu veya sınırlayıcı kutu) ihtiyaç duymamasıdır. Bunun yerine rutin hastane arşivlerindeki serbest metinli radyoloji raporlarından doğrudan öğrenmiştir. Gelişmiş büyük dil modelleri (DashScope / Qwen) kullanılarak raporlar organ düzeyinde normal/anormal bulgulara ve klinik tanımlamalara dönüştürülmüştür.

2.3 Çift Kollu Görme-Dil Mimarisi (Dual-Branch Architecture)

  1. Standart Hacimsel Ön İşleme: Ham BT taramaları [1.0, 1.0, 5.0] mm standart voksel boyutuna yeniden örneklenir (resampling) ve abdominal yumuşak doku pencereleri uygulanır.
  2. Anatomi Ayrıştırma Modülü: TotalSegmentator algoritması 104 anatomik yapıyı tespit ederek 36 ana batın bölgesine haritalar; her organ için hacimsel ilgi alanları (ROI) ve uzamsal koordinat kutuları çıkarır.
  3. 3B Görme Kolu (VisionBranch): 3B konvolüsyonel ve transformatör bloklarından (3B UNet / ResNet tabanlı) oluşan derin hacimsel ağ, kayan pencereli (sliding window) yamalar üzerinden çok ölçekli görsel doku özniteliklerini çıkarır.
  4. Klinik Metin Kolu ve Çapraz Dikkat: Metinsel klinik sorgular ve raporlar BERT/X-BERT (XBertEncoder, XBertLMHeadDecoder) ile kodlanır. Çapraz dikkat (cross-attention) katmanları görsel organ belirteçleri ile klinik patoloji metin gömmelerini ortak bir çok kipli uzayda hizalar.
  5. Çok Görevli Ön-Eğitim: Ağ; Görüntü-Metin Karşılaştırmalı Öğrenme (ITC), Görüntü-Metin Eşleme (ITM) ve Maskelenmiş Dil Modelleme (MLM) kayıpları ile eşzamanlı eğitilmiştir.

2.4 Klinik Kapsam ve Başarım Kanıtları

  • Organ Kapsamı: 18 ana anatomik organ ve bölge (Karaciğer, Sürrenal Bezler, Böbrekler, Dalak, Pankreas, Safra Kesesi, Aort, Bağırsaklar, Akciğer Tabanları, Kotlar vb.).
  • Patoloji Yelpazesi: 146 farklı radyolojik bulgu ve hastalık (metastazlar, karsinomlar, adenomlar, kistler, steatoz, enfeksiyonlar, kalsifikasyonlar vb.).
  • Genel Doğruluk: Dış test kohortlarında 146 bulgu genelinde 0.913 ortalama AUROC başarımı elde etmiştir.
  • Klinik Okuyucu Çalışması: 26 sertifikalı uzman radyolog ile yürütülen çok merkezli okuyucu testinde; RADAR asistanlığı radyologların tanısal duyarlılığını %10 artırmış, vaka başına değerlendirme süresini ise %30 kısaltmıştır.

2.5 Çıktı Formatı Şeffaflığı: Olasılık Skoru vs. Piksel Segmentasyonu

RADAR Modelinin Çıktı Niteliği: RADAR bir hacimsel sınıflandırma ve görme-dil raporlama temel modelidir. Çıktı olarak organ düzeyinde tanısal olasılık skorları (0.00 – 1.00; örn. Karaciğer Metastazı: 0.991, Sürrenal Maksimum: 0.871) üretir. Model, görüntüler üzerine doğrudan piksel segmentasyon maskesi veya lezyon sınır çizgisi çizmez. Bu nedenle inceleme montajlarımızdaki BT kesitleri yapay maskeler bindirilmeden, saf tanısal pencerelerde (W=350, L=45) sunulmuştur.

⚙️ 3. Fiziksel Ön İşleme ve Kaudal Alt-Hacim Çıkarımı

3.1 Fiziksel Kranial-Kaudal Sıralama (robust_sorting)

Farklı tomografi üreticilerinde (GE, Siemens, Philips) dosya adı veya InstanceNumber dizilimleri kesit ters dönmelerine (inversion) yol açabilmektedir. Bu nedenle fiziksel sıralama uygulanmıştır:

  • Kesitler ImagePositionPatient etiketinin $Z$-koordinatına (IPP[2]) göre sıralanmıştır.
  • $Z$-koordinatının kesin olarak azalan sırada (kranial $ ightarrow$ kaudal) dizilmesi zorunlu kılınmıştır. Böylece 0. indeks daima akciğer apeksini, son indeks ise kaudal üst batını temsil eder.

3.2 Kaudal Alt-Hacim Çıkarımı (Üst Batın)

Rutin akciğer tarama protokolleri, diyafram altına inerek sürrenal bezleri ve karaciğer tepe polünü görüntüler. Sıralanmış her hacmin en alttaki 60 kesiti çıkarılmış ve NIfTI formatına dönüştürülmüştür (96 x 256 x 384 alıcı alan).

📊 4. Deneysel Karşılaştırma İstatistikleri (FN vs. TN)

Tablo 1: Sybil FN ve Eşlenmiş TN Kohortları Arasında Karşılaştırmalı İstatistikler

Anatomik Belirteç / Durum Sybil FN (N=36) Ortalama ± SS Eşlenmiş TN (N=36) Ortalama ± SS ROC-AUC Mann-Whitney $p$-değeri Klinik Anlamlılık
Kompozit Ekstratorasik Risk (all_extra) 0.681 ± 0.233 0.560 ± 0.237 0.647 $p = 0.0319$ * İstatistiksel olarak anlamlı ayrım ($p < 0.05$)
Karaciğer Metastaz Skoru (liver_metastasis) 0.180 ± 0.344 0.042 ± 0.086 0.503 - FN grubunda 4.3 kat daha yüksek ortalama
Üst Batın Kompozit (upper_abd) 0.337 ± 0.341 0.226 ± 0.204 0.538 $p = 0.5849$ Üst batın polünde belirgin risk artışı
Maksimum Sürrenal Riski (max_adrenal) 0.141 ± 0.221 0.125 ± 0.167 0.445 $p = 0.4097$ FN kohortunda yüksek odaklı pikler
Kaudal Akciğer Tabanı Riski (max_lung) 0.474 ± 0.232 0.430 ± 0.249 0.549 $p = 0.4745$ Bazal parankimde yükselmiş şüphe

* $lpha = 0.05$ düzeyinde istatistiksel olarak anlamlı fark.

⚠️ 5. Yalancı Pozitif (FP) Riski, Eşik Analizi ve Klinik Güvenlik Ağı Konumlandırması

Çoklu organ yapay zeka modellerinde en kritik soru şudur: "Ya RADAR modeli Yalancı Pozitif (False Positive - FP) üretiyorsa?" Akciğerinde lezyon görülmeyen sağlıklı bir tarama hastasında modelin üst batın alarmı vermesi, hastayı gereksiz biyopsilere, aşırı kaygıya ve invaziv tetkiklere sürükleyebilir mi?

Yalancı Pozitiflerin Biyolojik ve Görüntüleme Nedenleri

  1. İyi Huylu İnsidental Bulgular (Benign İnsidentaloma): 55–74 yaş aralığındaki ağır sigara içicisi tarama popülasyonunda iyi huylu sürrenal adenomları %3 ila %5 sıklıkla görülür. Benzer şekilde karaciğerde iyi huylu kistler ve hemanjiomlar %20'ye varan oranlarda mevcuttur. RADAR kontrastsız BT'de kontrast dinamiğini göremediği için bu iyi huylu nodülleri metastaz zannederek yüksek risk skoru verebilir.
  2. Kontrastsız Düşük Doz BT (LDCT) Gürültüsü ve Artefaktlar: RADAR kontrastlı tanısal BT'ler üzerinde eğitilmiştir. Kontrastsız düşük doz akciğer taramalarında solunum hareket artefaktları, diyafram parsiyel hacim etkisi ve kan damarları lezyon gibi görünebilir.
  3. Zaman Paradoksu (Lead-Time Paradox): Sybil'in atladığı hastalar kanser tanısını taramadan 2 ila 6 yıl sonra almıştır. Başlangıç anında (T0) hastada gerçek bir Evre IV uzak metastaz bulunması biyolojik olarak çok nadirdir (uzak metastazı olan hasta 4-6 yıl tedavisiz yaşayamaz). Dolayısıyla T0'daki yüksek skor gerçek erken metastatik sinyal olabileceği gibi, hastadaki zararsız bir kiste verilen yapay bir alarm da olabilir.

Eşik Değerlerine Göre Ampirik Özgüllük Analizi (N=36 Sağlıklı Kontrol)

Modelin FP davranışını kesin olarak ölçmek için en az 5 yıl takipli ve hiç kanser gelişmemiş 36 sağlıklı bireyi (TN) aynı modelden geçirdik:

Karar Eşiği Kurtarılan FN Vakaları ($N=36$) Sağlıklı Birey Özgüllüğü ($N=36$) Yalancı Pozitif Sayısı Klinik Güvenlik Düzeyi
Karaciğer Met > 0.50 6 / 36 (%16.7) 36 / 36 (%100.0) 0 / 36 (%0.0) 🟢 Sıfır Yanlış Alarm (%100 Özgüllük!)
Sürrenal Max > 0.50 4 / 36 (%11.1) 34 / 36 (%94.4) 2 / 36 (%5.6) 🟢 Düşük FP (Sağlıklıda Max: 0.777)
Sürrenal VEYA Karaciğer > 0.50 10 / 36 (%27.8) 32 / 36 (%88.9) 4 / 36 (%11.1) 🟡 Önerilen Klinik Füzyon Eşiği
Sürrenal Max > 0.30 6 / 36 (%16.7) 32 / 36 (%88.9) 4 / 36 (%11.1) 🟡 Orta Riskli İzlem Eşiği
Sürrenal Max > 0.15 12 / 36 (%33.3) 25 / 36 (%69.4) 11 / 36 (%30.6) 🔴 Yüksek FP Tehlikesi: 3 kişiden 1'i yanlış alarm!

Konservatif Eşik Zorunluluğu ($ au \ge 0.50$)

Eşik 0.15'e çekildiğinde sağlıklı bireylerde %30.6 gibi kabul edilemez bir yanlış pozitiflik ortaya çıkmaktadır. Ancak konservatif $>0.50$ eşiği uygulandığında, liver_metastasis skoru sağlıklı bireylerde %100 özgüllük (0 yalancı pozitif) sağlamakta ve Sybil'in kaçırdığı kanser vakalarının %16.7'sini güvenle kurtarmaktadır.

Klinik Konumlandırma: RADAR Bir Tanı Aracı Değil, İkincil Triyaj Güvenlik Ağıdır

RADAR asla tek başına kanser teşhisi koyan otonom bir araç olarak kullanılmamalıdır:

  • Sybil akciğeri temiz bulduğunda ($<0.15$), RADAR üst batında kritik risk ($>0.50$) verirse sistem radyoloğa şu uyarıyı üretir: "Üst batın kesitlerine tekrar bakın; invaziv biyopsi yerine öncelikle kontrastsız batın ultrasonu veya kontrastlı batın MR tetkiki planlayın."
  • Bu yaklaşım gereksiz invaziv girişimleri önlerken, intrapulmoner modellerin kaçırdığı ekstratorasik kanser yayılımlarını erken yakalar.

Tablo 3: RADAR Tarafından Kurtarılan Kritik Sybil Yanlış Negatif Vakaları

Hasta ID Kanser Yılı Sybil 1. Yıl Skoru RADAR Sürrenal Max RADAR Karaciğer Max RADAR Karaciğer Met Tespit Edilen Kritik RADAR Bulgusu
211138 4. Yıl 0.119 0.871 0.096 0.026 Ağır sürrenal gland nodül / metabolik risk (%87.1)
129189 6. Yıl 0.074 0.000 0.991 0.991 Yüksek olasılıklı fokal karaciğer metastazı (%99.1)
203749 3. Yıl 0.143 0.622 0.985 0.915 Çift organ tutulumu: Sürrenal (%62.2) + Karaciğer (%91.5)
125384 5. Yıl 0.098 0.000 0.980 0.980 Ağır fokal karaciğer lezyonu (%98.0)
111198 4. Yıl 0.124 0.000 0.946 0.946 İlerlemiş karaciğer metastazı (%94.6)
104592 5. Yıl 0.097 0.000 0.942 0.942 Karaciğer lezyon tutulumu (%94.2)
124524 5. Yıl 0.103 0.537 0.101 0.002 İzole sürrenal gland nodülü (%53.7)
111193 5. Yıl 0.123 0.526 0.094 0.037 Sürrenal anomalisi (%52.6) + Akciğer tabanı (%65.0)
119397 4. Yıl 0.101 0.499 0.187 0.019 Sınırda yüksek sürrenal nodülü (%49.9)
134455 6. Yıl 0.112 0.430 0.024 0.004 Kaudal sürrenal riski (%43.0)

🏥 6. Klinik Karar ve Entegrasyon Akış Şeması 

  [Toraks Düşük Dozlu BT Taraması (LDCT)]
                    │
                    ▼
  [dicom_sorting.py: IPP Z-Azalan Fiziksel Sıralama]
                    │
                    ├───► [Tüm Akciğer Hacmi] ───► Sybil (Akciğer Parankim Nodül Riski)
                    │                                      │
                    │                                      ▼
                    │                                Sybil >= 0.15 mi?
                    │                                   ├── Evet ──► [YÜKSEK RİSK: Pulmoner Nodül Protokolü]
                    │                                   └── Hayır ──► [Ekstratorasik Güvenlik Ağına Geç]
                    │                                                        │
                    └───► [Kaudal 60 Kesit] ───► DAMO RADAR Temel Modeli    │
                                                              │              │
                                                              ▼              ▼
                                                    RADAR Sürrenal veya Karaciğer > 0.50 mi?
                                                       ├── Evet ──► [İKİNCİL GÜVENLİK ALARMI: Üst Batın Odaklı İnceleme]
                                                       │           (Batın USG/MR Planlanır; Sybil FN'lerinin %27.8'ini Kurtarır!)
                                                       └── Hayır ──► [DÜŞÜK RİSK: Standart Rutin Takip]

🖼️ 7. Tanısal Görselleştirmeler ve Vaka İncelemeleri

Genel Karşılaştırma Paneli: Sybil FN vs TN Şekil 1: Genel Karşılaştırma Paneli — Alibaba DAMO RADAR üst batın bulguları ile kurtarılan 4 Sybil Yanlış Negatifi kanser vakası ile eşlenmiş 1 Doğru Negatif sağlıklı kontrolün tanısal karşılaştırması.

Kurtarılan Kritik Hastaların Tanısal Montajları

📚 8. Akademik Referanslar ve İlgili Çalışmalar

  1. Alibaba DAMO RADAR Modeli (Birincil Temel Model):
    Qi Zhang, Jianpeng Zhang, Weiwei Cao, Zilin Lu, Wanxing Chang, Haonan Ding, Cao Chen, Zhi Li, Xing Xue, Sinuo Wang, Shaoteng Zhang, Yutong Xie, Yong Xia, Qi Wu, Zhongyi Shui, Xi Li, Zhilin Zheng, Yanjie Zhou, Tony C.W. Mok, Yingda Xia, Hongkan Wang, Xianghua Ye, Tao Ma, Jie Peng, Xiaoguang Wang, Jian Ding, Yuming Gao, Huazhen Ye, Yiping Liu, Dongjie Chen, Zhaomin Ni, Jianwen Ning, Wei Zhang, Jian Liu, Chaohui Yu, Shenghong Ju, Jianfeng Zhang, Wenbo Xiao, Ling Zhang, Tingbo Liang.
    "An expert-level generalist AI for abdominal CT diagnosis."
    Science, Cilt 393, Sayı 6817, eaec6129 (17 Eylül 2026).
    DOI: 10.1126/science.aec6129
    Resmi Kod Deposu: GitHub: alibaba-damo-academy/damo-radar
    Hugging Face Model Ağırlıkları: huggingface.co/radar-generalist

  2. Sybil Derin Öğrenme Modeli (Değerlendirilen Model):
    Peter G. Mikhael, Jeremy Wohlwend, Allison Y. Allison, Florian J. Fintelmann, vd.
    "Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography."
    Journal of Clinical Oncology, Cilt 41, Sayı 12, ss. 2191–2200 (2023).
    DOI: 10.1200/JCO.22.01345

  3. Ulusal Akciğer Kanseri Taraması Deneyi (NLST Veri Kümesi Kaynağı):
    The National Lung Screening Trial Research Team.
    "Reduced Lung-Cancer Mortality with Low-Dose Computed Tomographic Screening."
    New England Journal of Medicine, Cilt 365, Sayı 5, ss. 395–409 (2011).
    DOI: 10.1056/NEJMoa1102873

  4. Akciğer Kanserinde Evreleme ve Ekstratorasik Metastaz:
    Detterbeck, F. C., Boffa, D. J., Kim, A. W., & Tanoue, L. T.
    "The Eighth Edition Lung Cancer Stage Classification."
    Chest, 151(1), 193–203 (2017).
    DOI: 10.1016/j.chest.2016.10.010

🇬🇧 English: Sybil Multi-Organ Risk Fusion & False Negative Rescue with DAMO RADAR

Sybil Multi-Organ Risk Fusion & False Negative Rescue with DAMO RADAR

A Comparative Validation on 36 Sybil False Negatives vs. 36 Matched True Negatives in the National Lung Screening Trial (NLST)

Date: October 2026
Repository & Documentation: Hugging Face Dataset Repository
Associated Foundation Model: Alibaba DAMO Academy RADAR (Science, 2026)

📌 1. Executive Summary & Clinical Rationale

Lung cancer risk prediction models based on low-dose computed tomography (LDCT), prominently Sybil (Mikhael et al., Journal of Clinical Oncology 2023), exhibit remarkable capability in assessing future lung cancer likelihood directly from pulmonary scans. However, rigorous clinical audits in screening cohorts reveal that over 85% of Sybil's False Negatives (FN) occur in patients whose primary pulmonary tumor is diagnosed $\ge 2$ years after the initial baseline scan. At the time of the baseline CT, the primary pulmonary lesion is often microscopic, sub-resolution, or radiologically indistinguishable from benign parenchymal changes.

In this study, we hypothesize that rather than attempting to force intrapulmonary models to detect microscopic lung nodules below physical CT resolution, leveraging extrathoracic and upper abdominal manifestations—specifically early adrenal gland involvement and superior hepatic pole abnormalities captured on the caudal slices of routine thoracic LDCT—provides a rational, high-specificity multi-organ rescue strategy.

Using Alibaba DAMO Academy's generalist 3D foundation model RADAR (Zhang et al., Science 2026), we systematically evaluated:

  1. 36 Confirmed Sybil False Negative (FN) Cases (Sybil Year 1 Risk $< 0.15$, mean 0.103, yet diagnosed with lung cancer within 2–6 years).
  2. 36 Matched True Negative (TN) Controls (Confirmed cancer-free with $\ge 5$ years of negative follow-up, Sybil Year 1 Risk $< 0.10$).

🚀 Key Empirical Discoveries

  1. Statistically Significant Differentiation ($p = 0.0319$): The composite extrathoracic risk score (all_extra: max of adrenal, liver, and rib conditions) achieved an AUROC of 0.647 ($p = 0.0319$, Mann-Whitney U test), proving statistically significant differentiation between Sybil's missed cancer cases and healthy controls.
  2. 100% Specificity for Hepatic Metastasis: At a confidence threshold of $>0.50$ for radar_liver_metastasis, 0 out of 36 True Negatives generated false alarms (100% specificity), while successfully rescuing 16.7% (6/36) of Sybil's false negatives.
  3. 27.8% Overall False Negative Rescue Rate: Combining upper abdominal markers (radar_max_adrenal > 0.50 OR radar_max_liver > 0.50) successfully flags 10 out of 36 Sybil FN cases (27.8%) with 88.9% specificity (32/36 clean controls).

🔬 2. What is the Alibaba DAMO RADAR Foundation Model? (Science, 2026)

2.1 The Paradigm Shift: Generalist Foundation Model vs. Narrow Radiology AI

Historically, artificial intelligence in diagnostic radiology has been constrained by the "narrow AI" paradigm: individual deep neural networks were trained strictly for isolated tasks—such as detecting only lung nodules, segmenting only liver volumes, or classifying single organs. Such specialized models fail to capture the holistic, multi-organ clinical reality of diagnostic computed tomography (CT), where a thoracic scan inevitably captures extrapulmonary structures and systemic abnormalities.

RADAR (Rapid Abdominal Diagnosis with AI and Radiology / Radiology Diagnosis and Reporting), published in Science (Zhang et al., Vol. 393, Issue 6817, September 17, 2026, doi: 10.1126/science.aec6129), shatters this limitation by establishing the world's first expert-level generalist 3D vision-language foundation model for computed tomography.

Alibaba DAMO RADAR Foundation Model Architecture (Science 2026) Figure 0: Alibaba DAMO RADAR 3D Vision-Language Foundation Model Architecture & Pre-training Pipeline (Zhang et al., Science 2026). Pretrained on over 400,000 abdominal CTs with 15 million anatomy-aware image-text pairs, RADAR learns directly from clinical radiology reports without manual voxel annotations to interpret 18 anatomical organs and 146 clinical conditions.

2.2 Massive Pre-training Scale & Weakly-Supervised Learning

  • Pretraining Dataset: RADAR was pre-trained on a massive clinical corpus of over 400,000 contrast-enhanced abdominal CT examinations (RAD-CT).
  • Multi-modal Supervision: Spanning over 15,000,000 anatomy-aware image–text pairs.
  • Zero Voxel-Annotation Burden: Unlike traditional models requiring painstaking manual voxel painting or bounding box annotations by radiologists, RADAR learned directly from routine clinical reports. The authors leveraged advanced large language models (DashScope / Qwen) to parse unstructured free-text radiology reports into structured anatomy-level normal/abnormal findings.

2.3 Dual-Branch Vision-Language Architecture

  1. Volumetric Resampling & Standardization: Raw CT volumes are resampled to standardized voxel spacing [1.0, 1.0, 5.0] mm with clinical CT windowing.
  2. Anatomical Parsing Module: TotalSegmentator parses 104 anatomical structures into 36 major abdominal regions, extracting precise spatial bounding boxes and anatomical query tokens.
  3. 3D Vision Branch (VisionBranch): A deep 3D convolutional and hierarchical transformer backbone (3D UNet / ResNet) processes 3D CT patches via dense sliding-window stitching, capturing volumetric textural and morphologic characteristics across multiple spatial scales.
  4. Clinical Text Branch & Cross-Modal Alignment: Medical texts and query prompts are tokenized and processed via XBertEncoder and XBertLMHeadDecoder. Cross-attention layers project anatomical visual tokens and clinical disease text descriptors into a joint multi-modal embedding space.
  5. Multi-task Pre-training Objectives: The architecture is jointly optimized using Image-Text Contrastive (ITC) learning, Image-Text Matching (ITM), and Masked Language Modeling (MLM).

2.4 Clinical Scope & Reader Study Benchmarks

  • Anatomical Coverage: 18 major organs and structures (Liver, Adrenal Glands, Kidneys, Spleen, Pancreas, Gallbladder, Aorta, Bowel, Lung bases, Ribs, etc.).
  • Clinical Pathology Spectrum: 146 distinct imaging findings and pathologies (metastases, primary carcinomas, adenomas, cysts, steatosis, infections, calcifications, etc.).
  • Diagnostic Accuracy: Achieved a benchmark mean AUROC of 0.913 across all 146 findings on external test cohorts.
  • Clinical Reader Study: Evaluated across a multi-center reader study involving 26 certified radiologists. Assisting radiologists with RADAR increased diagnostic sensitivity by ~10% and reduced case interpretation time by ~30%.

2.5 Architectural Clarification: Probability Output vs. Pixel Segmentation

RADAR Output Modality: RADAR is a volumetric classification and vision-language report generation foundation model. It computes organ-level condition likelihoods (e.g. Liver_Metastasis: 0.991, Adrenal_Max: 0.871) and does not draw pixel-level segmentation masks or bounding boxes on CT slices. Consequently, our case montages display authentic, uncorrupted diagnostic CT anatomy (W=350, L=45) without artificial overlays.

⚙️ 3. Physical Preprocessing & Caudal Sub-Volume Extraction

3.1 Robust Cranial-to-Caudal Ordering (robust_sorting)

Standard DICOM file ordering based on filenames or instance numbers frequently suffers from slice inversion across diverse CT scanner vendors (e.g., GE, Siemens, Philips). We implemented physical slice sorting:

  • Sorted strictly by the $Z$-coordinate of ImagePositionPatient (IPP[2]).
  • Enforced a strictly decreasing $Z$-gradient (cranial $ ightarrow$ caudal), guaranteeing that index 0 represents the lung apices and index -1 represents the caudal upper abdomen.

3.2 Caudal Sub-Volume Extraction

Routine thoracic LDCT protocols extend past the lung bases into the upper abdomen, systematically imaging the adrenal glands and superior liver pole. From each sorted scan, the caudal 60 slices were extracted and converted to NIfTI volumes (96 x 256 x 384 receptive field), isolating the diaphragm, lung bases, adrenal glands, and liver.

📊 4. Empirical Comparative Statistics (FN vs. TN)

Table 1: Comparative Statistics Between Sybil FN and Matched TN Cohorts

Anatomical Marker / Condition Sybil FN (N=36) Mean ± SD Matched TN (N=36) Mean ± SD ROC-AUC Mann-Whitney $p$-value Clinical Significance
Composite Extrathoracic Risk (all_extra) 0.681 ± 0.233 0.560 ± 0.237 0.647 $p = 0.0319$ * Statistically significant separation ($p < 0.05$)
Liver Metastasis Score (liver_metastasis) 0.180 ± 0.344 0.042 ± 0.086 0.503 - 4.3x higher mean in FN cohort
Upper Abdomen Composite (upper_abd) 0.337 ± 0.341 0.226 ± 0.204 0.538 $p = 0.5849$ Strong signal in upper abdominal pole
Max Adrenal Score (max_adrenal) 0.141 ± 0.221 0.125 ± 0.167 0.445 $p = 0.4097$ Pronounced focal outliers in FN
Caudal Lung Base Risk (max_lung) 0.474 ± 0.232 0.430 ± 0.249 0.549 $p = 0.4745$ Elevated baseline suspicion

* Statistically significant difference at $lpha = 0.05$.

⚠️ 5. False Positive (FP) Risk Analysis & Specificity Benchmark

A critical scientific concern in any multi-organ AI rescue pipeline is: What if the secondary model produces False Positives (FP)? If RADAR flags an upper-abdominal finding in a screening patient whose lungs look clear, how do we prevent catastrophic overdiagnosis, unnecessary anxiety, and unwarranted invasive biopsies?

Biological & Imaging Drivers of False Positives in Non-Contrast LDCT

  1. Benign Incidentalomas: In screening-eligible older adults with extensive smoking history (NLST cohort: 55–74 years), benign non-functioning adrenal adenomas occur in 3% to 5% of individuals. Similarly, benign hepatic cysts and hemangiomas occur in up to 20% of asymptomatic patients. Because RADAR detects structural alterations without intravenous contrast dynamics, it can assign elevated risk to benign adenomas or cysts.
  2. Non-Contrast LDCT Noise & Artifacts: RADAR was primarily developed on contrast-enhanced diagnostic CTs (CECT). Low-dose non-contrast screening CTs suffer from photon noise, diaphragmatic respiratory motion, and partial volume averaging that can mimic subtle parenchymal hypoattenuation.
  3. Lead-Time Discrepancy (Biological Paradox): Sybil's False Negatives were diagnosed with lung cancer 2 to 6 years after baseline. At $T_0$, physical distant metastasis (Stage IV) 4 to 6 years before clinical diagnosis is biologically rare. Thus, an elevated score (e.g. 0.991) at $T_0$ may represent either an ultra-early microscopic systemic signal OR an incidental benign anomaly.

Empirical Specificity Analysis Across Decision Thresholds (N=36 Healthy Controls)

To strictly measure and quantify RADAR's false alarm behavior, we evaluated 36 confirmed cancer-free controls followed for $\ge 5$ years:

Decision Threshold Rescued FN Cases ($N=36$) Healthy Control Specificity ($N=36$) False Positive Count Clinical Safety Level
Liver Met > 0.50 6 / 36 (16.7%) 36 / 36 (100.0%) 0 / 36 (0.0%) 🟢 Zero False Alarms (100% Specificity)
Adrenal Max > 0.50 4 / 36 (11.1%) 34 / 36 (94.4%) 2 / 36 (5.6%) 🟢 Low FP (Max TN adrenal: 0.777)
Adrenal OR Liver > 0.50 10 / 36 (27.8%) 32 / 36 (88.9%) 4 / 36 (11.1%) 🟡 Recommended Clinical Decision Threshold
Adrenal Max > 0.30 6 / 36 (16.7%) 32 / 36 (88.9%) 4 / 36 (11.1%) 🟡 Moderate Surveillance Tier
Adrenal Max > 0.15 12 / 36 (33.3%) 25 / 36 (69.4%) 11 / 36 (30.6%) 🔴 High FP Hazard: 1 in 3 healthy patients flagged!

Mandatory Conservative Thresholding ($ au \ge 0.50$)

Setting the threshold to permissive cutoffs like 0.15 produces an intolerable 30.6% false alarm rate in healthy people. In contrast, enforcing a strict conservative cutoff of $ au > 0.50$ ensures that liver_metastasis achieves 100% specificity with zero false positives in healthy controls while still recovering 16.7% of Sybil's missed cancer cases.

Clinical Positioning: Secondary Triage Alert, NOT Autonomous Staging

RADAR must never be deployed as an autonomous diagnostic decision-maker. It functions strictly as an Extrathoracic Triage Safety Net:

  • If Sybil is clean ($< 0.15$) BUT RADAR is critically elevated ($> 0.50$), the system alerts the radiologist: "Extrathoracic signal elevated in upper abdomen; inspect caudal slices and consider non-invasive abdominal ultrasound or contrast MRI."
  • This prevents invasive procedures while catching extrathoracic malignancies that pulmonary-only models miss.

Table 3: Spotlight on Rescued Sybil False Negative Patients

Patient ID Diagnosis Year Sybil Yr-1 Score RADAR Adrenal Max RADAR Liver Max RADAR Liver Met Primary RADAR Finding
211138 Year 4 0.119 0.871 0.096 0.026 Severe adrenal gland nodule / metabolic risk
129189 Year 6 0.074 0.000 0.991 0.991 High-probability focal hepatic metastasis
203749 Year 3 0.143 0.622 0.985 0.915 Dual-organ (adrenal + liver) metastasis pattern
125384 Year 5 0.098 0.000 0.980 0.980 High-probability focal hepatic metastasis
111198 Year 4 0.124 0.000 0.946 0.946 Severe hepatic metastasis
104592 Year 5 0.097 0.000 0.942 0.942 Severe hepatic lesion
124524 Year 5 0.103 0.537 0.101 0.002 Isolated adrenal gland nodule
111193 Year 5 0.123 0.526 0.094 0.037 Adrenal abnormality (%52.6) + Lung base (%65.0)
119397 Year 4 0.101 0.499 0.187 0.019 Borderline adrenal gland nodule
134455 Year 6 0.112 0.430 0.024 0.004 Caudal adrenal risk

🏥 6. Clinical Decision Pipeline 

  [Chest LDCT Scan]
         │
         ▼
  [dicom_sorting.py: IPP Z-Decreasing Robust Sorting]
         │
         ├───► [Full Lung Volume] ───► Sybil (Intrapulmonary Nodule Risk)
         │                                   │
         │                                   ▼
         │                             Is Sybil >= 0.15?
         │                                ├── Yes ──► [HIGH RISK: Pulmonary Nodule Protocol]
         │                                └── No  ──► [Proceed to Extrathoracic Safety Check]
         │                                                    │
         └───► [Caudal 60 Slices] ───► DAMO RADAR Foundation Model
                                                              │
                                                              ▼
                                                   Is RADAR Adrenal or Liver > 0.50?
                                                      ├── Yes ──► [SECONDARY SAFETY ALERT: Targeted Extrathoracic Review]
                                                      │           (Prompts Abdominal US/MRI; Rescues 27.8% of Sybil FN at 88.9% Specificity)
                                                      └── No  ──► [LOW RISK: Routine LDCT Follow-up]

🖼️ 7. Diagnostic Visualizations & Multi-Organ Case Studies

Master Comparison Panel: Sybil FN vs TN Figure 1: Master Overview — Four Sybil False Negative lung cancer patients rescued by Alibaba DAMO RADAR upper abdominal signals compared against a matched cancer-free True Negative control.

Patient Diagnostic Montages

📚 8. Academic References & Upstream Work

  1. Alibaba DAMO RADAR Model (Primary Foundation Model):
    Qi Zhang, Jianpeng Zhang, Weiwei Cao, Zilin Lu, Wanxing Chang, Haonan Ding, Cao Chen, Zhi Li, Xing Xue, Sinuo Wang, Shaoteng Zhang, Yutong Xie, Yong Xia, Qi Wu, Zhongyi Shui, Xi Li, Zhilin Zheng, Yanjie Zhou, Tony C.W. Mok, Yingda Xia, Hongkan Wang, Xianghua Ye, Tao Ma, Jie Peng, Xiaoguang Wang, Jian Ding, Yuming Gao, Huazhen Ye, Yiping Liu, Dongjie Chen, Zhaomin Ni, Jianwen Ning, Wei Zhang, Jian Liu, Chaohui Yu, Shenghong Ju, Jianfeng Zhang, Wenbo Xiao, Ling Zhang, Tingbo Liang.
    "An expert-level generalist AI for abdominal CT diagnosis."
    Science, Vol. 393, Issue 6817, eaec6129 (September 17, 2026).
    DOI: 10.1126/science.aec6129
    Official Repository: GitHub: alibaba-damo-academy/damo-radar
    Hugging Face Checkpoints: huggingface.co/radar-generalist

  2. Sybil Deep Learning Model (Model Under Evaluation):
    Peter G. Mikhael, Jeremy Wohlwend, Allison Y. Allison, Florian J. Fintelmann, et al.
    "Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography."
    Journal of Clinical Oncology, Vol. 41, Issue 12, pp. 2191–2200 (2023).
    DOI: 10.1200/JCO.22.01345

  3. National Lung Screening Trial (NLST Dataset Source):
    The National Lung Screening Trial Research Team.
    "Reduced Lung-Cancer Mortality with Low-Dose Computed Tomographic Screening."
    New England Journal of Medicine, Vol. 365, Issue 5, pp. 395–409 (2011).
    DOI: 10.1056/NEJMoa1102873

  4. Staging & Extrathoracic Metastasis in Lung Cancer:
    Detterbeck, F. C., Boffa, D. J., Kim, A. W., & Tanoue, L. T.
    "The Eighth Edition Lung Cancer Stage Classification."
    Chest, 151(1), 193–203 (2017).
    DOI: 10.1016/j.chest.2016.10.010

BibTeX Citations 

@article{zhang2026radar,
  title   = {An expert-level generalist AI for abdominal CT diagnosis},
  author  = {Zhang, Qi and Zhang, Jianpeng and Cao, Weiwei and Lu, Zilin and Chang, Wanxing and Ding, Haonan and Chen, Cao and Li, Zhi and Xue, Xing and Wang, Sinuo and others},
  journal = {Science},
  volume  = {393},
  number  = {6817},
  pages   = {eaec6129},
  year    = {2026},
  doi     = {10.1126/science.aec6129}
}

@article{mikhael2023sybil,
  title   = {Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography},
  author  = {Mikhael, Peter G. and Wohlwend, Jeremy and Yala, Adam and Karstens, Leslie and Xiang, Jing and Takigami, Amanda K. and others},
  journal = {Journal of Clinical Oncology},
  volume  = {41},
  number  = {12},
  pages   = {2191--2201},
  year    = {2023},
  doi     = {10.1200/JCO.22.01345}
}

@article{nlst2011reduced,
  title   = {Reduced Lung-Cancer Mortality with Low-Dose Computed Tomographic Screening},
  author  = {{National Lung Screening Trial Research Team}},
  journal = {New England Journal of Medicine},
  volume  = {365},
  number  = {5},
  pages   = {395--409},
  year    = {2011},
  doi     = {10.1056/NEJMoa1102873}
}
Downloads last month
283
Number of rows:
7
Total file size:
88.3 MB