Alibaba RADAR : une IA généraliste s’attaque au diagnostic par scanner abdominal

Alibaba DAMO Academy et plusieurs équipes médicales chinoises ont développé RADAR, un modèle d’intelligence artificielle capable d’analyser des scanners abdominaux avec contraste et de rechercher 146 résultats ou anomalies d’imagerie répartis sur 18 structures anatomiques.

Le travail a été publié le 17 septembre 2026 dans la revue Science. Contrairement à ce que certains titres peuvent laisser entendre, il ne s’agit donc pas exactement d’une IA capable de diagnostiquer « 146 maladies » de manière autonome. Les chercheurs parlent plus précisément de 146 imaging findings, c’est-à-dire des constatations radiologiques que le système apprend à identifier.

La nuance est importante. Elle ne réduit pas l’intérêt du résultat, mais évite de transformer une étude de performance en promesse de médecin artificiel.

À retenir:

• RADAR analyse 146 résultats d’imagerie concernant 18 structures abdominales.
• Le modèle a été entraîné sur plus de 400 000 scanners avec contraste et environ 15 millions de paires image-texte.
• Une validation menée sur huit centres externes a obtenu une AUC moyenne de 0,895.
• Dans une étude avec 26 radiologues, l’assistance de RADAR a augmenté leur sensibilité diagnostique d’environ 10 %.
• Ces résultats ne démontrent pas que l’IA peut remplacer un radiologue dans la pratique clinique.

Un seul modèle pour de nombreuses anomalies abdominales

Une grande partie des outils d’IA médicale développés jusqu’ici restent spécialisés. Un algorithme peut, par exemple, rechercher un type précis de lésion ou intervenir sur une zone anatomique particulière.

RADAR suit une approche différente : construire un modèle plus généraliste capable d’examiner simultanément plusieurs structures et plusieurs catégories d’anomalies.

Selon le dépôt officiel publié par Alibaba DAMO Academy, RADAR a été entraîné à partir de plus de 400 000 examens CT abdominaux avec contraste et de 15 millions de paires associant une zone anatomique à du texte médical.

Le système apprend directement à partir des comptes rendus de radiologie existants, sans nécessiter une nouvelle annotation manuelle pour chaque anomalie étudiée.

C’est probablement l’un des aspects les plus intéressants du projet : utiliser les données déjà produites dans les hôpitaux pour entraîner des modèles couvrant beaucoup plus de situations cliniques.

Comment RADAR comprend-il un scanner ?

RADAR appartient à la famille des modèles dits vision-langage.

Le principe ressemble, dans les grandes lignes, aux systèmes capables d’associer une image à une description. Mais un scanner médical est bien plus complexe qu’une photo : il contient de nombreuses coupes et représente les organes en trois dimensions.

L’équipe a donc travaillé avec des associations plus fines entre les différentes régions anatomiques du scanner et les parties pertinentes du compte rendu médical.

Le modèle peut ainsi apprendre à rapprocher une observation écrite concernant, par exemple, le foie ou le pancréas de la zone correspondante dans l’image.

Les chercheurs ont évalué cette méthode sur 18 structures anatomiques et 146 résultats d’imagerie.

Des performances élevées, mais à interpréter correctement

La publication rapporte plusieurs évaluations destinées à vérifier si les performances du modèle se maintiennent hors de son environnement d’entraînement.

Dans huit centres externes, RADAR a obtenu une AUC moyenne de 0,895. Une autre évaluation portant sur plus de 27 000 examens réalisés dans des situations d’urgence a atteint une AUC de 0,904.

L’AUC mesure la capacité d’un système à distinguer les cas positifs des cas négatifs pour une tâche donnée. Plus la valeur se rapproche de 1, meilleure est la discrimination.

Mais une AUC de 0,90 ne signifie pas « 90 % de diagnostics corrects ». Elle ne donne pas non plus, à elle seule, le nombre de faux positifs ou de pathologies manquées dans un hôpital réel.

C’est une distinction essentielle lorsqu’on parle d’IA médicale.

RADAR face à 26 radiologues : attention au raccourci

Le résultat le plus spectaculaire repris dans plusieurs publications concerne une comparaison avec 26 radiologues.

Les résultats détaillés rapportés autour de l’étude indiquent que la précision moyenne de RADAR était supérieure à celle de 23 participants dans ce cadre expérimental.

Cela ne signifie cependant pas que RADAR est « meilleur que 23 radiologues sur 26 » dans toutes les situations médicales.

La conclusion principale du résumé scientifique est d’ailleurs différente : lorsque les 26 radiologues ont utilisé RADAR comme assistance, leur sensibilité diagnostique a progressé d’environ 10 %.

Autrement dit, le scénario le plus intéressant n’est peut-être pas IA contre médecin, mais IA plus médecin.

C’est également le modèle d’utilisation qui semble aujourd’hui le plus crédible : l’algorithme signale des anomalies potentielles, tandis que le spécialiste conserve l’interprétation clinique et la décision finale.

Pourquoi cette approche pourrait compter pour la radiologie

L’intérêt de RADAR dépasse ses seuls benchmarks.

Un système capable de rechercher de nombreuses anomalies avec un modèle unique pourrait simplifier certains workflows et réduire la nécessité d’installer une collection d’algorithmes indépendants, chacun conçu pour une seule tâche.

Le projet montre aussi que l’entraînement de modèles médicaux généralistes à partir de rapports déjà disponibles peut fonctionner à très grande échelle.

Pour suivre plus largement l’évolution de ce type de technologies, leurs modèles et leurs applications, nos dossiers sur l’intelligence artificielle et les nouvelles technologies sur Tech Explorateur permettent de replacer ces annonces dans un contexte plus large.

Mais plusieurs étapes restent indispensables avant une adoption clinique généralisée : validation indépendante, tests sur d’autres populations, mesure précise des faux positifs et faux négatifs, intégration aux systèmes hospitaliers et évaluation des conséquences réelles sur les patients.

Un modèle ouvert à la recherche, pas un radiologue autonome

Alibaba a publié le code du projet sous licence Apache 2.0 sur GitHub. Les checkpoints du modèle sont également disponibles sur Hugging Face, où ils sont actuellement associés à une licence CC BY-NC-SA 4.0, qui limite notamment les usages commerciaux.

Cette ouverture permettra aux chercheurs d’examiner RADAR, de reproduire certaines expériences et surtout de tester le modèle sur des jeux de données différents.

C’est précisément ce dont la technologie a désormais besoin.

Le résultat publié dans Science montre qu’une IA généraliste d’imagerie médicale peut atteindre des performances impressionnantes sur un domaine complexe comme le scanner abdominal. Il ne prouve pas qu’un hôpital puisse supprimer l’étape humaine.

Pour l’instant, la lecture la plus solide est plus pragmatique : RADAR ressemble davantage à un puissant second lecteur qu’à un remplaçant du radiologue.

FAQ:

Qu’est-ce que l’IA Alibaba RADAR ?

RADAR est un modèle d’IA développé notamment par Alibaba DAMO Academy pour analyser des scanners abdominaux avec contraste et rechercher 146 résultats d’imagerie sur 18 structures anatomiques.

RADAR est-il meilleur qu’un radiologue ?

Dans une étude expérimentale avec 26 radiologues, le modèle a obtenu de très bonnes performances. Le résultat le plus pertinent reste toutefois que l’assistance par RADAR a augmenté leur sensibilité diagnostique d’environ 10 %.

RADAR peut-il remplacer un radiologue ?

Les résultats publiés ne démontrent pas que RADAR peut remplacer un radiologue dans la pratique clinique. Des validations indépendantes et des évaluations en conditions réelles restent nécessaires.

Sources officielles et fiables:

• Étude publiée dans Science — “An expert-level generalist AI for abdominal CT diagnosis” : consulter l’étude scientifique et son DOI. La publication est datée du 17 septembre 2026.
• American Association for the Advancement of Science — présentation et résultats de validation de RADAR : lire le communiqué scientifique AAAS/EurekAlert
• Alibaba DAMO Academy — dépôt officiel du projet RADAR : consulter le code et la documentation sur GitHub. Le dépôt décrit l’entraînement sur plus de 400 000 scanners et 15 millions de paires image-texte.
• RADAR sur Hugging Face — modèle et licence : consulter la fiche officielle du modèle RADAR. La fiche indique actuellement une licence CC BY-NC-SA 4.0 pour le modèle.