Alibaba का एआई (AI) एक ही सीटी स्कैन (CT scan) से कई नतीजे पढ़ता है

18 सितंबर 2026 को Alibaba DAMO Academy ने सार्वजनिक रूप से घोषणा की कि उसका विज़न-लैंग्वेज मॉडल (Vision-Language Model) RADAR (Rapid Abdominal Diagnosis with AI and Radiology) जर्नल Science में प्रकाशित हो चुका है, और उसे ओपन वेट्स (Open Weights) के रूप में रिलीज़ किया (FACT — SCMP "the institute said on Friday", IT之家 द्वारा 16:00 Beijing पर DAMO घोषणा का रिले, Gate News फ्लैश)। पीयर-रिव्यूड पेपर, "An expert-level generalist AI for abdominal CT diagnosis" (Qi Zhang, Jianpeng Zhang, तथा सह-लेखक; Science vol 393, issue 6817, eaec6129; DOI 10.1126/science.aec6129; प्रिंट तिथि 17 September 2026), एक जनरलिस्ट एआई (Generalist AI) का वर्णन करता है जो कंट्रास्ट-एन्हांस्ड एब्डॉमिनल सीटी स्कैन पढ़ता है और एक ही बार में 18 एनाटॉमिकल स्ट्रक्चरों पर 146 इमेजिंग फाइंडिंग्स का निदान करता है (FACT — PubMed/EurekAlert/Ovid के जरिए पेपर एब्स्ट्रैक्ट)।

मुख्य रिपोर्ट किए गए नतीजे (FACT — पीयर-रिव्यूड पेपर के एब्स्ट्रैक्ट-स्तरीय दावे, जिन्हें AAAS तथा हर स्वतंत्र मीडिया ने लगातार रिले किया):

• वास्तविक अस्पताल परीक्षणों पर 146 आंके गए फाइंडिंग्स में औसत AUC 0.913 (~39,160 लगातार परीक्षणों का आंतरिक टेस्ट सेट), जबकि सबसे अच्छे प्रतिस्पर्धी विज़न-लैंग्वेज मॉडल का 0.776 — स्पेशलिस्ट/VL बेसलाइनों (Baselines) पर बड़ा अंतर।
• इमरजेंसी जनरलाइज़ेशन (Generalization): 27,267 इमरजेंसी सीटी मामलों पर AUC 0.904, भले ही मॉडल को इमरजेंसी डेटा पर विशेष रूप से प्रशिक्षित नहीं किया गया (आउट-ऑफ़-डिस्ट्रिब्यूशन (Out-of-distribution) तीव्र-उदर प्रदर्शन; Pandaily: "AUC remained about 0.904")।
• एक्सटर्नल वैलिडेशन: 8 स्वतंत्र अस्पतालों के 24,239 परीक्षण, AUC 0.874–0.912 (MedicalXpress)।
• रीडर स्टडी: कई अस्पतालों के 26 रेडियोलॉजिस्ट (AI/TLDR के अनुसार 14 सेंटर) — RADAR की औसत सटीकता 26 में से 23 से अधिक रही; RADAR सहायता के साथ रेडियोलॉजिस्टों की नैदानिक संवेदनशीलता (Sensitivity) लगभग ~10% बढ़ी और पढ़ने का समय ~30% घटा (MedicalXpress: "roughly 31%"), तथा सहायता के साथ जूनियर रेडियोलॉजिस्ट वरिष्ठ-स्तरीय प्रदर्शन तक पहुंचे।
• प्रशिक्षण का पैमाना: 424,911 कंट्रास्ट-एन्हांस्ड एब्डॉमिनल सीटी परीक्षण; 1.5M इमेज–टेक्स्ट जोड़े; 15M से अधिक एनाटॉमी-विशिष्ट जोड़े; मॉडल सीधे क्लिनिकल रेडियोलॉजी रिपोर्टों से सीखता है, बिना मैनुअल एनोटेशन (Annotation) (FACT — EurekAlert/AAAS एब्स्ट्रैक्ट)।

रिलीज़ (FACT, सीधे सत्यापित): कोड तथा वेट्स GitHub (alibaba-damo-academy/damo-radar), Hugging Face (radar-generalist/RADAR), ModelScope (modelscope.cn/collections/DAMO_Academy/RADAR) और Zenodo (records/21271172) पर प्रकाशित — सब CC BY-NC-SA 4.0 के अंतर्गत, साथ में RADAR+ चेकपॉइंट (बाहरी MERLIN डेटासेट पर प्रशिक्षित/फाइन-ट्यून किया गया एक वेरिएंट) शामिल।

संस्थागत संदर्भ: यह काम DAMO Academy, Zhejiang University School of Medicine के The First Affiliated Hospital (संबंधित लेखक Tingbo Liang, Qi Zhang, Wenbo Xiao), Hupan Laboratory (Jianpeng Zhang) तथा DAMO के एल्गोरिद्म विशेषज्ञों (Ling Zhang) के बीच सहयोग है, जिसमें चीनी मेडिकल सेंटरों में फैले 30+ लेखक हैं। DAMO का मेडिकल-एआई ट्रैक रिकॉर्ड (घोषणा के IT之家/Sohu रिले के अनुसार): तीन साल का मेडिकल एआई काम, 5 Nature Medicine पेपर, तथा अग्न्याशय/गैस्ट्रिक/कोलोरेक्टल कैंसर स्क्रीनिंग और एओर्टिक-डिसेक्शन (Aortic-dissection) अलर्टिंग के लिए पहले के सिस्टम।

डिस्कवरी रिकॉर्ड (Discovery Record) में सुधार और परिष्कार (महत्वपूर्ण):

• लाइसेंस (License) का विरोधाभास सुलझ गया — यह रिलीज़ परमिसिव (Permissive) नहीं है। डिस्कवरी रिकॉर्ड ने चिह्नित किया था कि "license reports conflict (some outlets cite permissive terms, others non-commercial)।" सीधे सत्यापित किया गया: GitHub रिपॉज़िटरी की LICENSE फ़ाइल CC BY-NC-SA 4.0 (Attribution-NonCommercial-ShareAlike 4.0 International) है — Apache-2.0 नहीं — और चेकपॉइंटों (Checkpoints) के लिए Hugging Face मॉडल कार्ड में लिखा है License: cc-by-nc-sa-4.0, साथ में रेपो (Repo) का अपना नोट: "The Radar model is currently intended for research purposes only." जिन मीडिया संस्थानों ने रिलीज़ को "fully open-sourced" कहा (जैसे aitrove, zglg.work के रिले) या "Apache-2.0" कहा (एक क्रॉलर स्निपेट; AI/TLDR का "code Apache-2.0 / weights CC BY-NC-SA" वाला बंटवारा), वे बढ़ा-चढ़ाकर कहते हैं: कोड तथा वेट्स दोनों CC BY-NC-SA 4.0 हैं — ओपन वेट्स, लेकिन नॉन-कमर्शियल (Non-commercial), रिसर्च-केंद्रित, शेयर-अलाइक (Share-alike)। किसी कमर्शियल तैनाती के लिए Alibaba DAMO Academy के साथ अलग समझौता चाहिए होगा।
• दायरे में सुधार: यह एब्डॉमिनल कंट्रास्ट-एन्हांस्ड सीटी (Abdominal Contrast-enhanced CT) है, पूरे शरीर की स्क्रीनिंग नहीं। "~146 findings across 18 organs from a single scan" संकीर्ण अर्थ में सही है (एक सीटी परीक्षण → 146 फाइंडिंग्स एक साथ फ्लैग, 18 एनाटॉमिकल स्ट्रक्चर कवर), लेकिन हर स्रोत स्पष्ट करता है कि यह केवल कंट्रास्ट-एन्हांस्ड एब्डॉमिनल सीटी है — पूरे शरीर की इमेजिंग नहीं, दूसरी मोडैलिटीज़ (Modalities) नहीं (टीम के अनुसार MRI/PET/अल्ट्रासाउंड भविष्य के ट्रांसफ़र लक्ष्य हैं)। कहानी की फ्रेमिंग को "whole-body scan" तक बढ़ाया नहीं जाना चाहिए।
• "Validated across 20+ hospitals" (डिस्कवरी) समीक्षित स्रोतों में सीधे प्रलेखित नहीं है। इसके बजाय प्रलेखित है: 8 स्वतंत्र अस्पतालों की 24,239 परीक्षणों पर एक्सटर्नल वैलिडेशन (External Validation) (AUC 0.874–0.912); 14 सेंटरों / कई अस्पतालों के 26 रेडियोलॉजिस्टों (Radiologists) के साथ रीडर स्टडी (Reader Study); ~39,160 लगातार अस्पताल परीक्षणों का प्राथमिक रियल-वर्ल्ड (Real-world) आंतरिक टेस्ट सेट तथा 27,267 इमरजेंसी (Emergency) मामले। "20+ hospitals" वाले आंकड़े को रीडर-स्टडी केंद्रों की संख्या (26 रेडियोलॉजिस्ट, कई अस्पताल) या 8-अस्पताल वाले एक्सटर्नल सेट के रूप में उद्धृत करना चाहिए — उद्धरण देने से पहले दोबारा पिन करें।
• "From a single scan" हेडलाइन पर सावधानी: मॉडल एक परीक्षण पढ़ता है, लेकिन वर्कफ़्लो (Workflow) (पेपर के अनुसार) पहले सीटी वॉल्यूम (Volume) को अलग-अलग एनाटॉमिकल स्ट्रक्चरों में तोड़ता है — यानी "single scan" का अर्थ "एक सीटी स्टडी अंदर" है, "एक ही फ़ॉरवर्ड पास (Forward Pass)" नहीं।
• घटना की तिथि पर बारीकी: Science का पेपर स्वयं 2026-09-17 को प्रिंट में प्रकाशित हुआ (विंडो खुलने से एक दिन पहले), जबकि घोषणा तथा ओपन-सोर्स रिलीज़ 2026-09-18 को हुई (विंडो के भीतर)। यह रिकॉर्ड 2026-09-18 को घटना तिथि मानता है (डिस्कवरी रिकॉर्ड तथा प्राथमिक एविडेंस के भार से मेल), पात्रता पूरी होती है।
• कहीं भी कोई रेगुलेटरी क्लीयरेंस (Regulatory Clearance) नहीं; मॉडल एक रिसर्च रिलीज़ है ("intended for research purposes only"), चीनी मरीज़ आबादी तथा केवल कंट्रास्ट-एन्हांस्ड एब्डॉमिनल सीटी पर मान्य, जैसा रेपो (Repo) में तथा स्वतंत्र विश्लेषण (Artificial Science) में स्पष्ट रूप से दर्ज है।

• एक पीयर-रिव्यूड, विशेषज्ञ-स्तरीय जनरलिस्ट मेडिकल-इमेजिंग मॉडल ओपन-वेट इकोसिस्टम (Open-weight Ecosystem) में आ गया। अब तक रेडियोलॉजी एआई "एक रोग, एक मॉडल" रहा है (लंग नोड्यूल डिटेक्टर, स्ट्रोक फ्लैग, मैमोग्राफी रीडर)। RADAR पहला मॉडल है जिसका Science पेपर एक ही एब्डॉमिनल सीटी परीक्षण से विशेषज्ञ-स्तरीय, बहु-अंग, बहु-रोग निदान दिखाता है — मेडिकल इमेजिंग एआई के लिए "जनरलिस्ट मोमेंट" (FACT पेपर के दावों पर; यह फ्रेमिंग टीम की है और स्वतंत्र कवरेज में भी दोहराई गई है)।
• प्रशिक्षण का पैटर्न एनोटेटेड सुपरविज़न (Supervision) से बदलकर बड़े पैमाने पर रिपोर्ट-व्युत्पन्न सेल्फ-सुपरविज़न (Self-supervision) हो गया। डॉक्टरों द्वारा घावों को स्लाइस-दर-स्लाइस एनोटेट करने के बजाय RADAR सीटी एनाटॉमी को अस्पताल की रेडियोलॉजी रिपोर्टों में पहले से लिखे वाक्यों के साथ संरेखित करके सीखता है — इससे वह मैनुअल-एनोटेशन अवरोध हटता है जो बहु-रोग मॉडलों को महंगा और धीमा बनाता था (FACT — EurekAlert एब्स्ट्रैक्ट; महत्व पर INTERPRETATION)।
• नॉन-कमर्शियल लाइसेंस वाले ओपन वेट्स मेडिकल एआई की मुख्यधारा की चर्चा में आ गए। रिलीज़ ओपन है (वेट्स डाउनलोड करने योग्य, कोड प्रतिलिपि-योग्य (Reproducible)) लेकिन CC BY-NC-SA 4.0 — जानबूझकर रिसर्च-केंद्रित, और रेपो कहता है कि मॉडल "intended for research purposes only" है जब तक प्रॉस्पेक्टिव (Prospective) क्लिनिकल अध्ययन पूरे न हों (FACT, सत्यापित लाइसेंस)।
• एक चीनी लैब+अस्पताल कंसोर्टियम के पास अब शीर्ष जर्नल में जनरलिस्ट मेडिकल इमेजिंग एआई पर बढ़त है — ऐसी श्रेणी जहां पहले के ज़्यादातर ऐतिहासिक नतीजे विभिन्न अंतरराष्ट्रीय समूहों की एकल-रोग/डिटेक्टर पाइपलाइनों (Pipelines) से आए थे (INTERPRETATION, जो पेपर की अपनी "generalist" स्थिति तथा DAMO की प्रेस फ्रेमिंग पर आधारित है)।
• मानव-एआई रीडर स्टडी "क्या एआई डॉक्टर को हराता है" से "क्या एआई-सहायता वाला पढ़ना पूरे वितरण (Distribution) को खिसकाता है" तक पहुंच गई — ~10% संवेदनशीलता लाभ और ~30% पठन-समय की कटौती, जिसमें जूनियर रेडियोलॉजिस्ट वरिष्ठ स्तर तक पहुंचते हैं, सबसे नैदानिक रूप से कार्रवाई-योग्य निष्कर्ष है (रिपोर्ट किए गए अध्ययन पर FACT; स्टाफिंग/उत्पाद निहितार्थ INTERPRETATION हैं)।

पहले (16 सितंबर 2026 तक):

• एब्डॉमिनल सीटी — रेडियोलॉजी के सबसे कठिन कार्यभारों में से एक (दर्जनों अतिव्यापी अंग, प्रति स्टडी सैकड़ों संभावित फाइंडिंग्स) — संकीर्ण स्पेशलिस्ट एआई द्वारा संभाला जाता था: प्रति अंग या प्रति रोग एक मॉडल, हर एक को श्रम-गहन एनोटेटेड प्रशिक्षण डेटा चाहिए और आम तौर पर छोटे, एकल-केंद्र समूहों (Cohorts) पर मान्य किया जाता था।
• प्रतिस्पर्धी विज़न-लैंग्वेज मेडिकल मॉडल (पेपर के अनुसार सबसे अच्छा, फाइंडिंग्स पर औसत AUC 0.776) विशेषज्ञ पाठकों (Readers) से पीछे थे; किसी जनरलिस्ट सिस्टम ने पीयर-रिव्यूड मंच पर विशेषज्ञ-स्तरीय बहु-अंग प्रदर्शन नहीं दिखाया था।
• DAMO Academy का मेडिकल एआई उत्पादन रोग-विशिष्ट सिस्टमों की श्रृंखला था (अग्न्याशय/गैस्ट्रिक/कोलोरेक्टल स्क्रीनिंग, एओर्टिक-डिसेक्शन अलर्टिंग — घोषणा के रिले के अनुसार तीन सालों में 5 Nature Medicine पेपर), कोई एकीकृत जनरलिस्ट मॉडल नहीं।
• ओपन-वेट मेडिकल इमेजिंग रिलीज़ मौजूद थीं (nnU-Net/MONAI-युग के टूलिंग) लेकिन घटकों (Components) के रूप में, विशेषज्ञ-स्तरीय एंड-टू-एंड (End-to-end) नैदानिक मॉडल के रूप में नहीं।

बदलाव (17–22 सितंबर 2026):

• 17 सितंबर: Science ने "An expert-level generalist AI for abdominal CT diagnosis" प्रिंट किया (vol 393, issue 6817, eaec6129); AAAS ने एम्बार्गोड (Embargoed) प्रेस रिलीज़ जारी की (EurekAlert, 17-Sep-2026)।
• 18 सितंबर: DAMO Academy ने काम की घोषणा की और RADAR को ओपन-सोर्स किया (GitHub + Hugging Face + ModelScope + Zenodo, CC BY-NC-SA 4.0); SCMP, Yicai, Gate News, IT之家 तथा दूसरे मीडिया ने कुछ ही घंटों में कवरेज किया।
• 19–22 सितंबर: अंग्रेज़ी तथा अंतरराष्ट्रीय कवरेज फैली (Pandaily, AI/TLDR, aitrove, MedicalXpress, Artificial Science, NDTV Profit, developmentstoday, voi.id); MEDLIN-इंडेक्स्ड PubMed रिकॉर्ड सामने आया (PMID 42752131); Hugging Face पर कम्युनिटी स्पेस (Spaces) दिखे (junma/RADAR-demo, loupk/RADAR-demo, scomb2/Radar)।

बाद में:

• कोई भी शोधकर्ता RADAR के वेट्स और कोड डाउनलोड कर सकता है, दिया गया इन्फरेंस (Inference)/RAD-CT डेमो चला सकता है या MERLIN टेस्ट सेट पर मूल्यांकन कर सकता है, और नॉन-कमर्शियल लाइसेंस के तहत 0.913-श्रेणी के AUC पर 146-फाइंडिंग/18-अंग वाली एब्डॉमिनल सीटी रीड दोबारा बना सकता है।
• रेडियोलॉजी से जुड़े बिल्डरों के पास अब "रिपोर्ट-सुपरवाइज़्ड जनरलिस्ट इमेजिंग एआई" के लिए पीयर-रिव्यूड संदर्भ तथा एक ठोस ट्रांसफ़र थीसिस (Thesis) है (आगे MRI/PET/अल्ट्रासाउंड)।
• मेडिकल इमेजिंग एआई का प्रतिस्पर्धी ढांचा बदल गया: इस क्षेत्र के अगले ऐतिहासिक पेपर RADAR के आंकड़ों के सामने मापे जाएंगे, और नियामकों के पास अब एक जनरलिस्ट मॉडल का ठोस, उद्धरण-योग्य उदाहरण है जो अभी कहीं भी क्लिनिकल उपयोग के लिए स्वीकृत नहीं है (INTERPRETATION + PREDICTION)।

क्लिनिकल रिपोर्टों से विज़न-लैंग्वेज लर्निंग (FACT — पेपर एब्स्ट्रैक्ट/EurekAlert): सुपरवाइज़्ड घाव-एनोटेशन के बजाय RADAR बड़े पैमाने पर इमेजिंग कंटेंट तथा रेडियोलॉजी रिपोर्टों के टेक्स्ट के बीच संबंध सीखता है। प्रशिक्षण कॉर्पस (Corpus): 424,911 कंट्रास्ट-एन्हांस्ड एब्डॉमिनल सीटी परीक्षण → 1.5M इमेज–टेक्स्ट जोड़े → 15M से अधिक एनाटॉमी-विशिष्ट जोड़े।

अंग-स्तरीय बारीक संरेखण (FACT, जैसा टीम/पेपर बताते हैं; तंत्र पीयर-रिव्यूड काम में प्रलेखित है और IT之家 ने DAMO घोषणा में इसे रिले किया): चूंकि सीटी सिग्नल विरल (Sparse) है, सादा विज़न-लैंग्वेज लर्निंग कम प्रदर्शन करता है। RADAR सीटी वॉल्यूम को 3D में बदलता है, उसे अलग-अलग एनाटॉमिकल स्ट्रक्चरों में विघटित करता है, और अंग के स्तर पर इमेज कंटेंट को रिपोर्ट टेक्स्ट के साथ संरेखित करता है, एक बड़े पैमाने के कंट्रास्टिव-लर्निंग (Contrastive Learning) उद्देश्य का उपयोग करते हुए जो गतिशील रूप से अनुकूलित होता है (एडाप्टिव कंट्रास्टिव मॉडलिंग (Adaptive Contrastive Modeling))। यह टीम का कहा हुआ "first international use" है अंग-स्तरीय बारीक संरेखण का ("first" पर COMPANY CLAIM — तंत्र स्वयं पेपर में है)।

मॉडल के घटक (FACT, ओपन रिपॉज़िटरी से): रिलीज़ किए गए स्टैक में एक विज़न ब्रांच (Vision Branch) है जिसमें nnU-Net वंश को साझा करने वाला प्रीट्रेन्ड UNet चेकपॉइंट (checkpoint_unet.pth) है, लैंग्वेज एनकोडर (BERT-base-Chinese तथा BERT-base-uncased चेकपॉइंट), प्रीट्रेन्ड RADAR चेकपॉइंट (checkpoint_radar_pretrain.pth, RAD-CT पर प्रशिक्षित), और RADAR+ वेरिएंट (MERLIN-CT-Train पर शुरू से प्रशिक्षित, तथा RAD-CT पर प्रीट्रेन करके MERLIN पर फाइन-ट्यून किया गया)। कोडबेस LAVIS (BSD-3), nnU-Net (Apache-2.0), MONAI (Apache-2.0) तथा 3D-ResNets-PyTorch (MIT) पर बना है — थर्ड-पार्टी लाइसेंस THIRD_PARTY_LICENSES.md में सुरक्षित रखे गए हैं (FACT, रेपो पर सत्यापित)।

इन्फरेंस/मूल्यांकन वर्कफ़्लो (FACT, रेपो डॉक्स): रेपो में RADAR_inference (प्रीट्रेन्ड चेकपॉइंट के साथ RAD-CT पर एक इन्फरेंस डेमो; बाहरी MERLIN टेस्ट सेट पर इन्फरेंस तथा मूल्यांकन), RADAR_train (RADAR/RADAR+ को शुरू से प्रशिक्षित करना या MERLIN डेटा पर फाइन-ट्यून करना), और MERLIN या कस्टम डेटा की इमेज/मास्क तथा रिपोर्ट प्रीप्रोसेसिंग (Preprocessing) के लिए कोड मिलता है। चेकपॉइंट तथा सहायक डेटा (प्रोसेस्ड मास्क) download_scripts/ के जरिए Hugging Face से डाउनलोड होते हैं।

यह क्या नहीं करता (FACT — रेपो डिस्क्लेमर (Disclaimer) तथा स्वतंत्र विश्लेषण): मेडिकल डिवाइस (Medical Device) के रूप में इसकी कोई रेगुलेटरी क्लीयरेंस नहीं है; मॉडल कार्ड कहता है "Further improvements and prospective clinical studies are still required before it can be used directly for clinical deployment"; यह चीनी मरीज़ आबादी तथा केवल कंट्रास्ट-एन्हांस्ड एब्डॉमिनल सीटी पर प्रशिक्षित/मान्य है; यह रिसर्च/सेकंड-रीडर (Second-reader) सहायता है, स्वायत्त नैदानिक उत्पाद नहीं।

1. यह इस न्यूज़ विंडो का प्रमुख ठोस हेल्थ-एआई नतीजा है, जिसका आधार पीयर रिव्यू है। मॉडल रिलीज़ों तथा नीतिगत कदमों वाले उसी सप्ताह में RADAR विंडो का दुर्लभ "पीयर-रिव्यूड, ओपन-सोर्स्ड, विशेषज्ञ-स्तरीय" मेडिकल दावा है — आंकड़े (AUC 0.913; +10% संवेदनशीलता; −30% पठन समय; बाहरी अस्पताल) Science पेपर के प्रतिलिपि-योग्य दावे हैं, किसी लॉन्च की मार्केटिंग शीट के नहीं। (पेपर पर FACT; महत्व INTERPRETATION है।)
2. यह मेडिकल एआई को "अगला अंग जोड़ो" से "पेट के लिए एक मॉडल, फिर पूरे शरीर के लिए" की ओर पुनर्परिभाषित करता है। जनरलिस्ट फ्रेमिंग — एक ही रीड में 18 स्ट्रक्चरों पर 146 फाइंडिंग्स — उस इंटीग्रेशन अवरोध पर हमला करती है जो क्लिनिकल अपनाने को रोकता है (अस्पताल प्रति स्कैन चालीस संकीर्ण मॉडल नहीं चला सकते), और इसीलिए aitrove/Artificial Science इसे मेडिकल एआई का "generalist moment" कहते हैं। (स्वतंत्र कवरेज पर आधारित INTERPRETATION।)
3. यह बड़े पैमाने पर रिपोर्ट-व्युत्पन्न सुपरविज़न की अर्थव्यवस्था दिखाता है। मैनुअल एनोटेशन नहीं → नए अंग-तंत्रों/रोगों तक विस्तार की सीमांत लागत (Marginal Cost) गिर जाती है, और अस्पतालों के मौजूदा रिपोर्ट संग्रह प्रशिक्षण का ईंधन बन जाते हैं। ट्रांसफ़र थीसिस (MRI, PET, अल्ट्रासाउंड) ही रणनीतिक पेलोड (Payload) है। (तंत्र पर FACT; निहितार्थ INTERPRETATION हैं।)
4. यह पूरे रेडियोलॉजी-एआई समुदाय के लिए एक रिसर्च-ग्रेड विशेषज्ञ रीडर खोलता है — नॉन-कमर्शियल लाइसेंस के तहत — जिसमें RADAR+, MERLIN एक्सटर्नल-सेट मूल्यांकन हार्नेस (Harness), तथा कुछ ही दिनों में तीन Hugging Face डेमो स्पेस शामिल हैं। अकादमिक तथा नॉन-कमर्शियल अस्पताल काम के लिए यह एक मुफ़्त, प्रतिलिपि-योग्य बेसलाइन है। (रिलीज़ आर्टिफ़ैक्ट्स (Artifacts) पर FACT।)
5. यह एक चीनी लैब+अस्पताल कंसोर्टियम को जनरलिस्ट-इमेजिंग बहस के केंद्र में लाता है, एक अंतरराष्ट्रीय रूप से पठनीय प्रकाशन (Science) तथा पूरी तरह सार्वजनिक आर्टिफ़ैक्ट्स के साथ — हेल्थकेयर में चीनी एआई नेतृत्व का यह स्वरूप उसी विंडो की मॉडल-रिलीज़ कहानियों (Qwen/MiMo/StepFun) से अलग है। (INTERPRETATION।)

• एक ही एब्डॉमिनल सीटी परीक्षण में एक पास से 18 स्ट्रक्चरों पर 146 फाइंडिंग्स की रीड — लिवर, अग्न्याशय, गैस्ट्रिक, कोलोरेक्टल तथा दूसरे कैंसर के साथ-साथ गांठें, फ्रैक्चर और विसंगतियां — रिपोर्ट किए गए विशेषज्ञ-स्तरीय AUC (0.913) पर, एक रिसर्च/सेकंड-रीडर टूल के रूप में (दावों पर FACT; "संभव" रिसर्च-ओनली चेतावनी के अधीन)।
• अस्पताल-स्तर पर रिपोर्ट-सुपरवाइज़्ड प्रशिक्षण: जिन संस्थानों के पास सीटी+रिपोर्ट संग्रह हैं, वे अब RADAR के प्रलेखित नुस्खे (प्रीप्रोसेस → अंग स्तर पर संरेखण → कंट्रास्टिव प्रीट्रेन → फाइन-ट्यून) का अनुसरण करके बिना मैनुअल एनोटेशन अपने जनरलिस्ट रीडर बना सकते हैं (FACT — कोड तथा डॉक्स सार्वजनिक हैं)।
• प्रतिलिपि-योग्य एक्सटर्नल मूल्यांकन: MERLIN टेस्ट-सेट पाइपलाइन तथा RADAR+ बेसलाइनों से कोई भी रिसर्च समूह अपने मॉडल को सीधे प्रकाशित काम के सामने बेंचमार्क (Benchmark) कर सकता है (FACT — रेपो)।
• अस्पतालों के भीतर नॉन-कमर्शियल क्लिनिकल-इनोवेशन पायलट: रिसर्च विभाग, रेडियोलॉजी रेसिडेंसी (Residency) तथा नॉन-कमर्शियल वैलिडेशन करने वाले स्टार्टअप मॉडल को आंतरिक टूल्स के पीछे तैनात करके सेकंड-रीडर वर्कफ़्लो जांच सकते हैं (CC BY-NC-SA 4.0 तथा संस्थागत नियमों के अधीन)।
• "जनरलिस्ट इमेजिंग फ़ाउंडेशन मॉडल (Foundation Model)" रिसर्च कार्यक्रम के लिए एक टेम्पलेट — टीम स्पष्ट रूप से MRI/PET/अल्ट्रासाउंड को स्वाभाविक ट्रांसफ़र लक्ष्य बताती है (COMPANY CLAIM / रिसर्च थीसिस, टीम की टिप्पणियों के zglg रिले के अनुसार)।
• संभव नहीं: अलग लाइसेंस के बिना कमर्शियल तैनाती; कहीं भी कोई रेगुलेटरी-स्वीकृत नैदानिक उपयोग; नॉन-कंट्रास्ट सीटी, X-ray, MR या दूसरे शरीर-क्षेत्रों पर उपयोग (फिलहाल); मॉडल की अपनी स्थिति के अनुसार स्वायत्त (रेडियोलॉजिस्ट-रहित) रिपोर्टिंग।

• कंट्रास्टिव अंग-स्तरीय संरेखण अब एक प्रलेखित सार्वजनिक नुस्खा है, लैब का रहस्य नहीं: 3D वॉल्यूम → एनाटॉमिकल-स्ट्रक्चर विघटन → अंग-स्तरीय इमेज–रिपोर्ट संरेखण → एडाप्टिव कंट्रास्टिव मॉडलिंग। बहु-अंग इमेजिंग पर काम करने वाले समूह इसी डिज़ाइन को फ़ोर्क (Fork) करेंगे या इसके सामने बेंचमार्क करेंगे। (FACT — सार्वजनिक कोड; "नुस्खा" वाली फ्रेमिंग INTERPRETATION है।)
• सुपरविज़न का अवरोध आधिकारिक रूप से सुलझने योग्य है: 424K परीक्षण → बिना मैनुअल एनोटेशन 15M एनाटॉमी-विशिष्ट जोड़े डेटा रणनीति दिखाते हैं; पेपर के स्केलिंग दावे (टीम की रिले की गई टिप्पणियों के अनुसार प्रदर्शन डेटा के साथ अब भी बढ़ रहा है) आर्किटेक्चर की दिखावटी बातों के बजाय डेटा-जुड़े स्केलिंग के पक्ष में तर्क देते हैं। (COMPANY CLAIM/रिले किया गया; दिशा INTERPRETATION के रूप में दर्ज।)
• मॉडल का वंशावली एक साफ़ ओपन-सोर्स स्टैक है: LAVIS/nnU-Net/MONAI/3D-ResNets — RADAR की निर्भरताएं सभी स्थापित ओपन घटक हैं, जो प्रतिलिपि-निर्माण के लिए इंटीग्रेशन बाधा घटाते हैं (FACT)।
• RADAR+ के दो चेकपॉइंट (MERLIN-प्रशिक्षित तथा MERLIN-फाइन-ट्यून) के साथ RAD-CT-प्रीट्रेन्ड चेकपॉइंट मिलकर रेपो को प्रलेखित प्रशिक्षण/इन्फरेंस/मूल्यांकन प्रवेश-बिंदुओं वाला एक छोटा मॉडल परिवार बनाते हैं — एब्लेशन (Ablation) के लिए उपयोगी (FACT)।
• नॉन-कमर्शियल लाइसेंस उत्पाद बनाने वाले किसी भी व्यक्ति के लिए कठोर तकनीकी बाधा है: CC BY-NC-SA 4.0 कोड तथा वेट्स दोनों को कवर करता है; शेयर-अलाइक दायित्व अनुकूलित सामग्री (Adapted Material) तक चलते हैं; कमर्शियल टीमों को अलग DAMO समझौता चाहिए। CI/लीगल पाइपलाइनों को RADAR को प्रतिबंधित कमर्शियल उपयोग वाले रिसर्च सॉफ़्टवेयर की तरह मानना चाहिए (लाइसेंस पर FACT; निहितार्थ INTERPRETATION है)।
• पेपर-प्रक्रिया का संकेत: Science शायद ही कभी मेडिकल-इमेजिंग-एआई काम प्रकाशित करता है (DAMO के Ling Zhang के अनुसार, zglg द्वारा रिले) — स्वीकृति स्वयं संकेत देती है कि जनरलिस्ट इमेजिंग एआई को अब इंजीनियरिंग अभ्यास के बजाय विज्ञान का सवाल माना जाता है। (COMPANY CLAIM रिले किया गया; INTERPRETATION।)

• रेपो रिसर्च के लिए तुरंत चलाने योग्य है: conda create -n radar python=3.10; pip install -r requirements.txt, फिर python download_checkpoints.py (+ download_auxiliary_data.py) और RAD-CT पर दिया गया इन्फरेंस डेमो; इन्फरेंस के लिए एक वर्कस्टेशन-श्रेणी का GPU पर्याप्त है (Artificial Science: "runs on a single workstation graphics card" — स्वतंत्र विश्लेषण, संकेतक मानें; पेपर की हार्डवेयर तालिका से पुष्टि करें)।
• हर आर्टिफ़ैक्ट में लाइसेंस का पालन करें: कोड तथा वेट्स दोनों CC BY-NC-SA 4.0 हैं। कोई कमर्शियल उत्पाद नहीं, मालिकाना पाइपलाइनों में शेयर-अलाइक संदूषण नहीं; थर्ड-पार्टी घटकों के अपने लाइसेंस हैं (BSD-3/Apache-2.0/MIT) — वेंडरिंग (Vendoring) से पहले THIRD_PARTY_LICENSES.md देखें।
• MERLIN हार्नेस को बेंचमार्क स्कैफ़ोल्ड (Scaffold) की तरह इस्तेमाल करें: अपने एब्डॉमिनल-सीटी रीडर का मूल्यांकन प्रकाशित एक्सटर्नल-सेट प्रोटोकॉल के सामने करें (AUC 0.874–0.912 का बैंड संदर्भ है)।
• कस्टम डोमेन के लिए रिपोर्ट-सुपरवाइज़्ड नुस्खे का पालन करें: प्रीप्रोसेसिंग कोड "MERLIN data or your own custom data" स्वीकार करता है — रिपोर्ट संग्रह वाली टीमें रिसर्च के तौर पर अपनी मोडैलिटी (MRI/अल्ट्रासाउंड) पर अंग-स्तरीय संरेखण आज़मा सकती हैं।
• रीडर स्टडी से क्या करें और क्या न करें: ~10% संवेदनशीलता लाभ / ~30% समय की कटौती / जूनियर-से-वरिष्ठ उन्नयन सहायता प्राप्त वर्कफ़्लो का नतीजा है — सेकंड-रीडर UI/UX (नेविगेशन सहायता, ऑटोपायलट नहीं) बनाएं, जैसा क्लिनिकल साझेदार मॉडल को बताते हैं ("a navigational aid")।
• क्लीयरेंस के बिना इस पर नैदानिक उत्पाद न बनाएं — कहीं कोई रेगुलेटरी स्वीकृति नहीं, केवल चीनी आबादी पर वैलिडेशन, केवल कंट्रास्ट-एन्हांस्ड एब्डॉमिनल सीटी; यही रेपो की अपनी कही स्थिति है।

• रेडियोलॉजी-वर्कफ़्लो खरीदारों (हेल्थ सिस्टम, इमेजिंग चेन, टेलिरेडियोलॉजी प्रोवाइडर) के पास अब एक उद्धरण-योग्य, पीयर-रिव्यूड संदर्भ है कि सबसे कठिन नियमित कार्यभार (एब्डॉमिनल सीटी) पर जनरलिस्ट सेकंड-रीडर एआई क्या दे सकता है: बहु-अंग कवरेज (18 स्ट्रक्चर), फाइंडिंग की चौड़ी पहुंच (146), मापने योग्य सहायता लाभ (+10% संवेदनशीलता, −30% समय)। (पेपर के रिपोर्ट किए गए नतीजों पर FACT; एंटरप्राइज़ प्रासंगिकता INTERPRETATION है।)
• खरीद (Procurement) में सावधानी अनिवार्य है: CC BY-NC-SA 4.0 का अर्थ है कि RADAR को अलग DAMO समझौते के बिना कमर्शियल सेवाओं में नहीं बसाया जा सकता; अपेक्षा है कि DAMO/साझेदार किसी स्वीकृत व्युत्पन्न (Derivative) को कमर्शियल बनाएंगे (सामान्य DAMO उत्पादीकरण के अनुसार पहले चीनी NMPA मार्ग) — तब तक यह एक रिसर्च परिसंपत्ति है, लाइसेंस-योग्य उत्पाद नहीं। (लाइसेंस पर FACT; कमर्शियलाइज़ेशन पथ PREDICTION है।)
• एआई-नेटिव हेल्थकेयर स्टार्टअप के लिए वैल्यू-चेन (Value-chain) निहितार्थ: ओपन जनरलिस्ट बेसलाइन एकल-अंग वाले कमर्शियल रीडरों पर कीमत/दायरे का दबाव डालती है — मेडिकल इमेजिंग पर लागू Harvey-शैली की मार्जिन कहानी (एक मॉडल बनाम चालीस) लंबी अवधि का संभावित स्वरूप है। (INTERPRETATION + PREDICTION।)
• अनुपालन (Compliance) की फ्रेमिंग: रिसर्च-ग्रेड इमेजिंग एआई अपनाने वाले अस्पतालों को सामान्य गवर्नेंस स्टैक चाहिए — अपने ही स्कैनरों/मरीज़-मिश्रण पर स्थानीय वैलिडेशन, रेडियोलॉजिस्ट-इन-द-लूप (Radiologist-in-the-loop) प्रोटोकॉल, दायित्व की स्थिति, तथा यह प्रलेखन कि टूल एक नेविगेशन सहायता है। पेपर के बहु-केंद्र एक्सटर्नल नतीजे (8 अस्पताल, 24,239 परीक्षण) ऐसी गवर्नेंस समीक्षाओं में उद्धृत करने के लिए सही तरह का एविडेंस हैं।
• डेटा/भूगोल का पक्ष: प्रशिक्षण/वैलिडेशन आबादियां चीनी हैं; चीन के बाहर के उद्यमों को स्थानीय वैलिडेशन अध्ययन होने तक डिस्ट्रिब्यूशन शिफ्ट (Distribution Shift) को खुला सवाल मानना चाहिए, चाहे प्रकाशित AUC कितने भी मज़बूत दिखें।

• Alibaba खुलापन + पीयर रिव्यू पर एक मेडिकल-एआई फ्रैंचाइज़ (Franchise) बना रही है। DAMO का तीन-साल का ट्रैक रिकॉर्ड (5 Nature Medicine पेपर; अग्न्याशय/गैस्ट्रिक/कोलोरेक्टल कैंसर तथा एओर्टिक डिसेक्शन के स्क्रीनिंग मॉडल) और साथ में ओपन-सोर्स किया गया Science जनरलिस्ट सिस्टम Alibaba को क्लिनिकल इमेजिंग एआई में अग्रणी चीनी कॉर्पोरेट लैब के रूप में स्थापित करता है — पश्चिमी मेडिकल-एआई वेंडरों के साथ दीर्घकालिक प्रतिस्पर्धा API कीमत के बजाय एविडेंस पर। (घोषित ट्रैक रिकॉर्ड + इस रिलीज़ पर आधारित INTERPRETATION।)
• "पहला विशेषज्ञ-स्तरीय जनरलिस्ट मेडिकल इमेजिंग मॉडल" एक स्थिति-दावा है जिसे चुनौती मिलेगी — अपेक्षा है कि प्रतिद्वंद्वी समूह (अमेरिकी/यूरोपीय/दूसरी चीनी लैब) कुछ तिमाहियों में जनरलिस्ट इमेजिंग सिस्टम तथा RADAR के आंकड़ों के सामने तुलनाएं प्रकाशित करेंगे। ("first" पर COMPANY CLAIM; मुकाबला PREDICTION है।)
• नॉन-कमर्शियल लाइसेंस जानबूझकर किया गया बाज़ार-विभाजन है: अभी रिसर्च सद्भावना तथा अकादमिक अपनाना, बाद में स्वीकृत उत्पाद के जरिए मुद्रीकरण — इकोसिस्टम दिखता रहे और कमर्शियल रास्ता सुरक्षित रहे। यह इस सप्ताह के ओपन-मॉडल पैटर्न (MiMo-V2.6 MIT, Step 5 वेट्स का वादा) की नकल करता है, लेकिन नियंत्रित हेल्थकेयर के लिए विशिष्ट रिसर्च-केंद्रित झुकाव के साथ। (लाइसेंस पर FACT; रणनीति की पढ़ाई INTERPRETATION है।)
• वैश्विक स्वास्थ्य-नीति पर नज़र रखने वालों के लिए: एब्डॉमिनल सीटी के लिए एक ओपन, पीयर-रिव्यूड विशेषज्ञ-स्तरीय रीडर "AI for global health equity" एजेंडा के लिए ठोस इनपुट है — पर्याप्त रेडियोलॉजिस्ट न होने वाले सिस्टमों के लिए उच्च-मूल्य, कम-लागत स्क्रीनिंग सहायता — जबकि लाइसेंस तीसरे पक्षों के कमर्शियल दोहन को रोकता है। (उपलब्धता पर FACT; इक्विटी फ्रेमिंग INTERPRETATION है।)

• कवरेज में बढ़ा-चढ़ाकर दावा करने का जोखिम: "fully open-sourced" / "open source beats radiologists" जैसी हेडलाइनें (कई मीडिया संस्थान; Artificial Science का अपना शीर्षक भी) लाइसेंस की वास्तविकता (CC BY-NC-SA 4.0, रिसर्च-ओनली) से आगे निकल जाती हैं और इससे भी आगे कि एक रीडर स्टडी क्या दिखाती है (एक रिसर्च रीड, स्वीकृत क्लिनिकल उपयोग नहीं)। टीमों तथा मीडिया को पेपर के वास्तविक दावे सहायता-फ्रेमिंग के साथ उद्धृत करने चाहिए। (लाइसेंस/दायरे पर FACT; हेडलाइन का जोखिम INTERPRETATION है।)
• क्लिनिकल-सुरक्षा जोखिम: कहीं कोई रेगुलेटरी क्लीयरेंस नहीं; केवल रेट्रोस्पेक्टिव (Retrospective) वैलिडेशन; प्रॉस्पेक्टिव क्लिनिकल अध्ययन स्पष्ट रूप से लंबित। नैदानिक उत्पाद के रूप में तैनाती (या किसी अलग मरीज़ आबादी/स्कैन प्रोटोकॉल में समतुल्यता मान लेना) मेडिकल एआई हाइप की क्लासिक विफलता-शैली है। (FACT — रेपो डिस्क्लेमर; जोखिम आकलन।)
• डिस्ट्रिब्यूशन-शिफ्ट जोखिम: चीनी आबादियों तथा कंट्रास्ट-एन्हांस्ड एब्डॉमिनल सीटी पर मान्य; दूसरी आबादियां, नॉन-कंट्रास्ट प्रोटोकॉल तथा दूसरे वेंडरों के स्कैनर प्रदर्शन गिरा सकते हैं (एक्सटर्नल AUC बैंड 0.874–0.912 पहले ही अलग-अलग सेटिंग्स में परिवर्तनशीलता दिखाता है)।
• अपनाने वालों के लिए लाइसेंसिंग/अनुपालन जोखिम: शेयर-अलाइक + नॉन-कमर्शियल शर्तें अनुकूलित पाइपलाइनों को संदूषित कर सकती हैं; थर्ड-पार्टी घटक लाइसेंस (BSD-3/Apache-2.0/MIT) अलग से मानने होंगे; DAMO समझौते के बिना कमर्शियल उपयोग लाइसेंस उल्लंघन है।
• Science/पीयर रिव्यू के लिए प्रतिष्ठा जोखिम यदि "पहला जनरलिस्ट" फ्रेमिंग बाद में समकालीन अप्रकाशित काम के सापेक्ष बढ़ी-चढ़ी लगे — जर्नल की कठोरता प्रतिसंतुलन है, लेकिन कवरेज में हेडलाइन-फुलाव बना रहता है।
• सहायता प्राप्त वर्कफ़्लो में मानवीय-कारक (Human-factor) जोखिम: एआई संकेतों के साथ 10% संवेदनशीलता लाभ ठीक वही सेटिंग है जहां वास्तविक अभ्यास में ऑटोमेशन बायस (Automation Bias) संकेत बदल सकता है; पेपर के सहायता-प्राप्त पठन नतीजे वास्तविक वार्ड-व्यवहार की गारंटी नहीं हैं।

• केवल एब्स्ट्रैक्ट-स्तरीय सत्यापन: इस रिसर्च ने पेपर के अस्तित्व, पहचान तथा एब्स्ट्रैक्ट-स्तरीय दावों को PubMed, AAAS/EurekAlert रिलीज़, Ovid एब्स्ट्रैक्ट मिरर तथा लगातार मीडिया रिले के जरिए सत्यापित किया; पूरी Methods/नतीजों की तालिकाएं इस वातावरण में उपलब्ध नहीं थीं (science.org ने HTTP 403 लौटाया; PubMed के लिए कुकीज़/JS चाहिए)। हेडलाइन आंकड़े (0.913, 146/18, 0.904 इमरजेंसी, 0.874–0.912 एक्सटर्नल, 23/26, +10%/−30%) सभी परामर्श किए गए स्रोतों में एक जैसे हैं।
• "Validated across 20+ hospitals" सीधे प्रलेखित नहीं है समीक्षित स्रोतों में (खंड 1 देखें) — प्रलेखित एक्सटर्नल सेट 8 स्वतंत्र अस्पताल (24,239 परीक्षण) तथा रीडर स्टडी में कई अस्पतालों/14 सेंटरों के 26 रेडियोलॉजिस्ट हैं।
• "पहला विशेषज्ञ-स्तरीय जनरलिस्ट" एक स्व-वर्णन है (कंपनी/टीम का दावा), जिसे प्रेस में दोहराया गया; कोई स्वतंत्र निर्णय मौजूद नहीं।
• लाइसेंसिंग की बारीकी: कुछ एग्रीगेटरों (Aggregators) पर GitHub पेज के क्रॉलर-उन्मुख मेटाडेटा में "Apache-2.0" पढ़ा जाता है, जबकि वास्तविक LICENSE फ़ाइल CC BY-NC-SA 4.0 है — कोड तथा वेट्स नॉन-कमर्शियल हैं; यही भ्रम डिस्कवरी रिकॉर्ड में चिह्नित विरोधाभास की व्याख्या करता है।
• AUC/रीडर-स्टडी आंकड़ों का कोई स्वतंत्र प्रतिरूपण (Replication) अभी नहीं है (22–23 सितंबर की रिसर्च तिथि तक): आंकड़े लेखकों के पीयर-रिव्यूड नतीजे हैं, तीसरे पक्ष के दोबारा चलाए नहीं।
• हार्डवेयर दावे यहां असत्यापित: "runs on a single workstation GPU" (Artificial Science) संकेतक है; इस रिसर्च ने मॉडल नहीं चलाया।
• चीनी-भाषा प्राथमिक रिले: आधिकारिक DAMO Academy न्यूज़ पेज स्वयं सीधे कैप्चर नहीं हुआ (damo.alibaba.com एक JS साइट है); घोषणा का सार DAMO बयान के IT之家/Sohu रिले तथा SCMP ("institute said on Friday") के जरिए कैप्चर हुआ — पर्याप्त अंग्रेज़ी कवरेज मौजूद है, इसलिए कहानी रिसर्च-योग्य है, उल्लिखित रिले-चेतावनी के साथ।

1. क्या ~10% संवेदनशीलता / ~30% समय-बचत वाले सहायता नतीजे प्रॉस्पेक्टिव, बहु-देशीय परीक्षणों में दोहराए जाएंगे — और गैर-चीनी मरीज़ आबादियों में?
2. RADAR नॉन-कंट्रास्ट सीटी (तीव्र परिस्थितियों में अक्सर कंट्रास्ट छोड़ दिया जाता है) तथा 8-अस्पताल वाले एक्सटर्नल सेट से आगे दूसरे वेंडरों के रीकंस्ट्रक्शन (Reconstruction) प्रोटोकॉल पर कैसा प्रदर्शन करता है?
3. आगे कौन-सा कमर्शियलाइज़ेशन वाहन आता है — DAMO-स्वीकृत व्युत्पन्न (जैसे NMPA मार्ग) और/या मौजूदा वेट्स के लिए कमर्शियल लाइसेंस — और कब? (PREDICTION: 12 महीनों के भीतर एक स्वीकृत व्युत्पन्न संभावित है।)
4. क्या "डेटा के साथ स्केलिंग, कोई संतृप्ति (Saturation) नहीं" वाले कर्व 1M+ परीक्षणों पर टिकते हैं, और क्या अंग-स्तरीय संरेखण MRI/PET/अल्ट्रासाउंड पर साफ़ रूप से ट्रांसफ़र होता है जैसा टीम दावा करती है?
5. क्या "पहला विशेषज्ञ-स्तरीय जनरलिस्ट" दावे को दूसरे समूहों के समकालीन काम (जैसे सबमिशन में जनरलिस्ट पूर्ण-शरीर या बहु-मोडैलिटी मॉडल) चुनौती देते हैं?
6. MERLIN-सेट RADAR+ नतीजे प्रकाशित RAD-CT-प्रीट्रेन्ड मॉडल के मुकाबले कैसे दिखते हैं — क्या बाहरी डेटा पर फाइन-ट्यूनिंग 0.874–0.912 बैंड के निचले सिरे को बंद करती है?
7. कौन-से कम्युनिटी प्रभाव सामने आते हैं: कितने रिसर्च समूह ओपन रिलीज़ चलाते हैं, और क्या डेमो स्पेस/फ़ोर्क स्वतंत्र वैलिडेशन पेपरों में बदलते हैं?

प्रभाव: एक व्यक्तिगत शोधकर्ता/डेवलपर — आज, मुफ़्त, वर्कस्टेशन GPU के साथ — RADAR (वेट्स + कोड) डाउनलोड कर सकता है, RAD-CT इन्फरेंस डेमो चला सकता है, MERLIN टेस्ट सेट पर मूल्यांकन कर सकता है, और रिपोर्ट-सुपरवाइज़्ड जनरलिस्ट इमेजिंग एआई के प्रकाशित नुस्खे का अध्ययन कर सकता है। मुख्य रूप से खुलने वाला कौशल: एक विशेषज्ञ-स्तरीय एब्डॉमिनल-सीटी रीडर को दोबारा बनाना तथा बेंचमार्क करना, साथ ही कुछ भी बनाने से पहले लाइसेंसिंग के जाल को समझना।

कदम: labs/S20.md का VERIFY + COMPARE अभ्यास चलाएं (रीड-ओनली): रेपो की संरचना, कोड और वेट्स पर CC BY-NC-SA 4.0 लाइसेंस, चेकपॉइंट सूची की पुष्टि करें, और हेडलाइन आंकड़ों (0.913 / 146 findings / 18 structures / 0.904 emergency / 0.874–0.912 external / 23-of-26 / +10% / −30%) को पेपर एब्स्ट्रैक्ट, AAAS रिलीज़ तथा स्वतंत्र कवरेज के बीच मिलाएं। फिर, यदि GPU और ~1–5 GB डिस्क बजट हो, तो RAD-CT सैंपल पर दिया गया इन्फरेंस डेमो चलाने का प्रयास करें और पहली धारणाएं दर्ज करें (समय, मेमोरी फुटप्रिंट (Footprint), आउटपुट फ़ॉर्मेट)। पेपर के एब्स्ट्रैक्ट से आगे की हर बात को दोबारा बनाए जाने तक EARLY RESEARCH मानें।

प्रभाव: अस्पतालों, रिसर्च संस्थानों तथा रेडियोलॉजी-एआई टीमों को एब्डॉमिनल सीटी के लिए एक पीयर-रिव्यूड, प्रतिलिपि-योग्य जनरलिस्ट बेसलाइन मिलती है — एक रिसर्च/सेकंड-रीडर परिसंपत्ति के रूप में — साथ में एक प्रलेखित एक्सटर्नल मूल्यांकन प्रोटोकॉल (MERLIN) तथा हराने लायक एक नया बेंचमार्क संदर्भ (0.913 आंतरिक / 0.874–0.912 एक्सटर्नल AUC)।

कदम: इमेजिंग-एआई तथा हेल्थकेयर टीमों के लिए: (1) RADAR को मूल्यांकन मैट्रिक्स में ओपन जनरलिस्ट बेसलाइन के रूप में जोड़ें; (2) किसी भी वर्कफ़्लो चर्चा से पहले अपने ही रेट्रोस्पेक्टिव डेटासेट पर स्थानीय वैलिडेशन चलाएं — पेपर के अपने आंकड़े चीनी-आबादी, कंट्रास्ट-एन्हांस्ड सीटी के हैं; (3) अनुपालन को शुरू से शामिल करें: CC BY-NC-SA 4.0 कमर्शियल एम्बेडिंग रोकता है, कोई रेगुलेटरी क्लीयरेंस नहीं, और सहायता-प्राप्त रीडर (रेडियोलॉजिस्ट-इन-द-लूप) डिज़ाइन ही बचाव-योग्य उपयोग पैटर्न है; (4) यदि कमर्शियल उपयोग मायने रखता है, तो नॉन-कमर्शियल शर्तों पर बनाने के बजाय DAMO/साझेदारों के साथ लाइसेंसिंग चर्चा शुरू करें।

प्रभाव: यह रिलीज़ वैश्विक मेडिकल एआई की एविडेंस-पहले, ओपन-वेट्स वाली धारा को मज़बूत करती है और हेल्थकेयर में चीनी-लैब पैटर्न को तीखा करती है (पीयर-रिव्यूड Science आधार + सार्वजनिक आर्टिफ़ैक्ट्स + रिसर्च लाइसेंस), उसी सप्ताह की मॉडल/API कहानियों के साथ। नियामकों तथा मानक निकायों के पास अब एक ठोस जनरलिस्ट केस स्टडी है कि गैर-स्वीकृत एआई रेट्रोस्पेक्टिव एविडेंस पर कितनी दूर जा सकता है — और कितना प्रॉस्पेक्टिव एविडेंस अब भी गायब है।

कदम: अगली तिमाही में चार चीज़ों पर नज़र रखें: (1) स्वतंत्र प्रतिरूपण तथा तुलनाएं (क्या कोई उसी मूल्यांकन सेट पर 0.913 को हराता है?); (2) जनरलिस्ट इमेजिंग मॉडलों पर रेगुलेटरी हलचल — NMPA/FDA/EU MDR की स्थिति; (3) DAMO की कमर्शियलाइज़ेशन घोषणाएं (स्वीकृत व्युत्पन्न, कमर्शियल लाइसेंसिंग); (4) क्या "जनरलिस्ट स्पेशलिस्ट-संग्रह को हराता है" वाली अर्थव्यवस्था मेडिकल-इमेजिंग स्टार्टअप फंडिंग को नया आकार देती है। सिंथेसिस-स्तरीय हेल्थकेयर-एआई कथा में RADAR को मानक "विशेषज्ञ-स्तरीय, ओपन-वेट्स, नॉन-कमर्शियल" उदाहरण के रूप में शामिल करें। (PREDICTION: पहले स्वतंत्र प्रतिरूपण/तुलना पेपर 1–2 तिमाहियों में आते हैं।)

• अस्पतालों के लिए रिसर्च/सेकंड-रीडर तैनाती सेवाएं (नॉन-कमर्शियल या DAMO लाइसेंसिंग के जरिए): RADAR को नेविगेशन सहायता के रूप में PACS/टेस्ट वातावरणों में एकीकृत करना, अस्पताल के अपने डेटा पर स्थानीय वैलिडेशन के साथ — लाइसेंस के नॉन-कमर्शियल रहते एक वास्तविक सेवा-अवसर।
• स्वतंत्र बेंचमार्क/मूल्यांकन सेवाएं: मानकीकृत एक्सटर्नल सेटों (MERLIN-शैली) पर RADAR बनाम प्रतिस्पर्धी इमेजिंग एआई चलाना और खरीद-योग्य तुलना रिपोर्टें बनाना — पेपर के दावों को तीसरे पक्ष के सत्यापन की जरूरत है, और वह काम इमेजिंग वेंडरों तथा हेल्थ सिस्टमों को कमर्शियल रूप से बेचा जा सकता है।
• फाइन-ट्यूनिंग/कस्टम-डोमेन रिसर्च एंगेजमेंट (नॉन-कमर्शियल रिसर्च): अकादमिक तथा परोपकारी कार्यक्रमों के लिए अंग-स्तरीय संरेखण नुस्खे को MRI/अल्ट्रासाउंड/सीटी वेरिएंटों पर लागू करना।
• शिक्षा/प्रशिक्षण उत्पाद: मुफ़्त, प्रतिलिपि-योग्य, विशेषज्ञ-स्तरीय मॉडल पर बने रेडियोलॉजी-रेसिडेंसी एआई-साक्षरता कोर्स — जिनमें रीडर स्टडी के सहायता-प्राप्त पठन UX सबक शामिल हों (+10% संवेदनशीलता, −30% समय, जूनियर→वरिष्ठ उन्नयन)।
• बिज़नेस नहीं: मौजूदा लाइसेंस के तहत RADAR को कमर्शियल नैदानिक उत्पाद में बसाना — उस रास्ते के लिए अलग DAMO/कमर्शियल शर्तें चाहिए (वास्तविक अवसर केवल बातचीत से, सेल्फ-सर्व (Self-serve) से नहीं)।

VERIFY (COMPARE घटक के साथ) — labs/S20.md देखें। GPU या कई-GB चेकपॉइंटों के बिना, सबसे अधिक मूल्य वाला हैंड्स-ऑन काम सार्वजनिक रिकॉर्ड के सामने सत्यापन है, जिसे इस रिसर्च ने आंशिक रूप से पूरा किया: (1) रेपो की संरचना, चेकपॉइंट सूची तथा कोड और वेट्स पर CC BY-NC-SA 4.0 लाइसेंस की पुष्टि करें (हो गया — LICENSE फ़ाइल तथा HF मॉडल कार्ड पूरे फ़ेच किए गए); (2) हेडलाइन आंकड़ों को पेपर एब्स्ट्रैक्ट, AAAS रिलीज़ तथा स्वतंत्र कवरेज के बीच मिलाएं (हो गया — आंकड़े एक जैसे हैं; "20+ hospitals" सीधे प्रलेखित नहीं है); (3) रिलीज़ की सतहों (GitHub / Hugging Face / ModelScope / Zenodo) तथा डेमो/मूल्यांकन प्रवेश-बिंदुओं (RAD_CT डेमो, MERLIN मूल्यांकन, RADAR+ वेरिएंट) का नक्शा बनाएं। एक अनुवर्ती TEST (चेकपॉइंट डाउनलोड करके वर्कस्टेशन GPU पर दिया गया इन्फरेंस डेमो चलाना, रनटाइम तथा आउटपुट का बेंचमार्किंग) स्वाभाविक अगला कदम है जहां हार्डवेयर मौजूद हो। लाइसेंस जांच वह एक कदम है जिसे इस कहानी के हर पाठक को किसी भी उपयोग से पहले स्वयं दोहराना चाहिए।

• दिन (सितंबर के अंत तक): रिलीज़ पर कम्युनिटी गतिविधि — GitHub स्टार/फ़ोर्क (रिसर्च के समय 63 स्टार/12 फ़ोर्क — रेपो 18 सितंबर को सार्वजनिक हुआ), Hugging Face डेमो स्पेस, पहले स्वतंत्र प्रतिरूपण प्रयास शुरू; प्रेस कवरेज "beats most radiologists" हेडलाइन के इर्द-गिर्द सिमटती है, नॉन-कमर्शियल लाइसेंस तथा क्लीयरेंस की कमी पर बढ़ती चेतावनियों के साथ।
• सप्ताह (अक्टूबर–नवंबर): अपेक्षा है (a) RAD-CT तथा MERLIN पर AUC 0.913-श्रेणी के नतीजों के पहले कम्युनिटी प्रतिरूपण; (b) प्रतिद्वंद्वी मेडिकल-इमेजिंग-एआई समूहों से टिप्पणियां जो "पहला विशेषज्ञ-स्तरीय जनरलिस्ट" दावे को चुनौती दें या उसके सामने बेंचमार्क करें; (c) DAMO की अनुवर्ती रिलीज़ें — विस्तारित फाइंडिंग कवरेज, नई मोडैलिटीज़, या चीनी क्लिनिकल-वैलिडेशन की घोषणा; (d) रेडियोलॉजी-एआई खरीद ब्लॉगों में लाइसेंसिंग चर्चा का उभरना (कौन इसे वास्तव में कमर्शियल रूप से इस्तेमाल कर सकता है?)। (PREDICTION।)
• संरचनात्मक नज़र (तिमाही): क्या जनरलिस्ट रिपोर्ट-सुपरवाइज़्ड इमेजिंग मॉडल डिफ़ॉल्ट रिसर्च पैराडाइम बनते हैं (RADAR संदर्भ ओपन इम्प्लीमेंटेशन के रूप में), क्या नियामक "जनरलिस्ट मॉडलों" को एक अलग डिवाइस श्रेणी के रूप में संबोधित करना शुरू करते हैं, और क्या DAMO कोई स्वीकृत व्युत्पन्न उत्पाद बनाकर रिसर्च रिलीज़ को कमर्शियल फ्रैंचाइज़ में बदलती है। (INTERPRETATION + PREDICTION।)

RADAR इस सप्ताह की प्रमुख पीयर-रिव्यूड हेल्थ-एआई कहानी है: Science में प्रकाशित, ओपन-वेट्स विज़न-लैंग्वेज मॉडल जो कंट्रास्ट-एन्हांस्ड एब्डॉमिनल सीटी पढ़ता है और विशेषज्ञ-स्तरीय औसत AUC 0.913 पर 18 एनाटॉमिकल स्ट्रक्चरों में 146 फाइंडिंग्स रिपोर्ट करता है — असली मज़बूती के एविडेंस के साथ (27,267 इमरजेंसी मामलों पर 0.904, जिन पर मॉडल प्रशिक्षित नहीं था; 8 बाहरी अस्पतालों के 24,239 परीक्षणों पर 0.874–0.912) तथा नैदानिक रूप से सार्थक सहायता नतीजे के साथ (रेडियोलॉजिस्ट संवेदनशीलता +~10%, पठन समय −~30%, जूनियर वरिष्ठ स्तर तक पहुंचते हुए)। सत्यापित कोर असली और असामान्य रूप से साफ़ है: पेपर की पहचान, प्रशिक्षण नुस्खा (424,911 परीक्षण, 15M एनाटॉमी-विशिष्ट जोड़े, बिना मैनुअल एनोटेशन रिपोर्ट-व्युत्पन्न सुपरविज़न), GitHub/Hugging Face/ModelScope/Zenodo पर रिलीज़ आर्टिफ़ैक्ट्स, और AAAS द्वारा रिले किए गए आंकड़ों का एक सुसंगत सेट। तीन ईमानदार सुधार जो हर पाठक को चाहिए: (1) लाइसेंस कोड और वेट्स दोनों पर CC BY-NC-SA 4.0 है — ओपन वेट्स, रिसर्च-ओनली, नॉन-कमर्शियल — इसलिए "fully open-sourced" हेडलाइनें बढ़ा-चढ़ाकर कहती हैं; (2) यह एब्डॉमिनल कंट्रास्ट-एन्हांस्ड सीटी है, पूरे शरीर की स्क्रीनिंग नहीं, और प्रचलन में मौजूद "20+ hospitals" वाला आंकड़ा सीधे प्रलेखित नहीं है (8 स्वतंत्र अस्पताल + 26 रेडियोलॉजिस्ट/14 सेंटर प्रलेखित हैं); (3) मॉडल के पास कहीं कोई रेगुलेटरी क्लीयरेंस नहीं है और यह प्रॉस्पेक्टिव क्लिनिकल अध्ययनों तक स्पष्ट रूप से रिसर्च-ओनली है — इस रिलीज़ का सबसे अच्छा उपयोग यही है कि इसे प्रतिलिपि-योग्य, पीयर-रिव्यूड जनरलिस्ट बेसलाइन माना जाए जो मेडिकल इमेजिंग एआई को "एक रोग, एक मॉडल" से "प्रति परीक्षण-श्रेणी एक विशेषज्ञ-स्तरीय मॉडल" की ओर ले जाता है, और अब क्षेत्र जिस बात पर बहस करेगा वह यह है कि अगला कौन इसके आंकड़ों को हराता है।