RADAR ของ DAMO Academy ลง Science แล้วปล่อยน้ำหนักขึ้น Hugging Face — แต่อ่านไลเซนส์ให้ดี: โค้ดเป็น Apache-2.0 ส่วนน้ำหนักเป็น CC BY-NC-SA ห้ามใช้เชิงพาณิชย์

17 ก.ย. 2026 วารสาร Science ตีพิมพ์เปเปอร์ “An expert-level generalist AI for abdominal CT diagnosis” จาก DAMO Academy ของ Alibaba ร่วมกับโรงพยาบาลและมหาวิทยาลัยหลายแห่ง และ วันถัดมา (18 ก.ย.) ทีมอัปโหลดเช็กพอยต์ของโมเดลชื่อ RADAR ขึ้น Hugging Face พร้อมโค้ดเทรน/อนุมานเต็มบน GitHub

พาดหัวของสื่อหลายเจ้าใช้คำว่า “Alibaba เปิดซอร์สโมเดล AI การแพทย์” ซึ่งถูกครึ่งเดียว และครึ่งที่ขาดไปคือเรื่องที่นักพัฒนาต้องอ่านก่อนเอาไปทำอะไรต่อ — เราจะเล่าทั้งงานวิจัยและเงื่อนไขไลเซนส์ให้ครบ

โมเดลคืออะไร และตัวเลขจากเปเปอร์

RADAR เป็น generalist vision-language model สำหรับภาพ CT ช่องท้องแบบฉีดสารทึบรังสี (contrast-enhanced abdominal CT) ตัวเลขจากบทคัดย่อของ Science:

• เทรนจาก CT ช่องท้องมากกว่า 400,000 การตรวจ และคู่ภาพ–ข้อความระดับอวัยวะ 15 ล้านคู่
• เรียนจากรายงานทางคลินิกโดยตรง โดยไม่ต้องใส่ป้ายกำกับด้วยมือ — นี่คือแกนของงาน เพราะข้อจำกัดใหญ่ที่สุดของ AI รังสีวิทยาแบบเดิมคือ ทุกโรคต้องมีชุดข้อมูลที่แพทย์ label เองทีละเคส ซึ่งไม่ scale
• ประเมินทั้ง internal และ external หลายศูนย์ ครอบคลุม โครงสร้างทางกายวิภาค 18 ส่วน และลักษณะที่พบจากภาพ 146 แบบ
• ใน reader study การมี RADAR ช่วย ทำให้ sensitivity ในการวินิจฉัยของรังสีแพทย์ 26 คนเพิ่มขึ้นราว 10%
• ทีมสรุปว่า generalist AI สามารถเทียบเท่าผู้เชี่ยวชาญมนุษย์ได้ทั้งในงานทั่วไปและงานที่ซับซ้อน

(สื่ออย่าง SCMP รายงานเพิ่มว่าโมเดลทำ AUC เฉลี่ย 0.913 ครอบคลุม 146 ลักษณะ บนการตรวจจริงเกือบ 40,000 เคส — ตัวเลขนี้เรายกมาจากรายงานของ SCMP เพราะตัวเปเปอร์ฉบับเต็มอยู่หลังกำแพงค่าสมาชิก ส่วนตัวเลขข้างบนทั้งหมดมาจากบทคัดย่อที่เข้าถึงได้โดยตรง)

ประโยคที่ควรจำคือ “generalist” — ความสำคัญของงานนี้ไม่ใช่ว่ามันตรวจมะเร็งได้ แต่คือมันตรวจสิ่งผิดปกติได้ 146 แบบจากโมเดลตัวเดียว ในขณะที่แนวทาง supervised แบบเดิมต้องสร้างโมเดลต่อโรค

สิ่งที่ถูกปล่อยออกมาจริง ๆ

บน Hugging Face org radar-generalist และ repo alibaba-damo-academy/damo-radar มีของครบชุดกว่าที่คาด:

ไฟล์	คืออะไร
checkpoint_radar_pretrain.pth	RADAR ที่ pre-train บนชุด RAD-CT
checkpoint_unet.pth	VisionBranch (UNet) ที่ pre-train ไว้
checkpoint_radar_plus.pth	RADAR+ เทรนใหม่จากศูนย์บน Merlin-CT-Train
checkpoint_radar_plus_finetuned_on_merlin.pth	RADAR+ ที่ pre-train บน RAD-CT แล้ว fine-tune บน Merlin
bert-base-chinese / bert-base-uncased	tokenizer/โมเดลข้อความทั้งฝั่งจีนและอังกฤษ

มีเอกสารแยกสามชุด — Training (เทรนใหม่หรือ fine-tune บน Merlin), Inference (เดโมด้วยเช็กพอยต์ที่ให้มา และการประเมินบน external test set ของ Merlin) และ Preprocess (โค้ดเตรียมภาพ/มาสก์และรายงานรังสีวิทยา ใช้กับข้อมูลของคุณเองได้) พร้อมสคริปต์ดาวน์โหลดใน download_scripts/ และสำเนาโค้ดที่เก็บถาวรบน Zenodo

รายละเอียดที่บอกอะไรได้มากคือ bert-base-chinese อยู่ในลิสต์ — บ่งว่าคลังรายงานที่ใช้เทรนเป็นภาษาจีนเป็นหลัก ซึ่งมีผลต่อการนำไปใช้ต่อในภาษาอื่น

ตัวโค้ดสร้างบนโครงการโอเพนซอร์สที่มีชื่อ: LAVIS (BSD 3-Clause), nnU-Net (Apache-2.0), MONAI (Apache-2.0) และ 3D-ResNets-PyTorch (MIT)

ดอกจันที่ต้องอ่าน: โค้ดกับน้ำหนักคนละไลเซนส์

นี่คือจุดที่เราอยากให้ผู้อ่านจับให้ได้ เพราะมันเป็นกับดักที่เจอซ้ำ ๆ ในรีลีส “โอเพนซอร์ส” ปี 2026:

• โค้ดบน GitHub อยู่ภายใต้ Apache License 2.0 — ใช้เชิงพาณิชย์ได้ ดัดแปลงได้ ปกติทุกอย่าง
• น้ำหนักโมเดลบน Hugging Face อยู่ภายใต้ CC BY-NC-SA 4.0 — NC คือ non-commercial ห้ามใช้เชิงพาณิชย์ และ SA คือ share-alike งานต่อยอดต้องใช้ไลเซนส์เดียวกัน

แปลว่าถ้าคุณเป็นโรงพยาบาลเอกชน บริษัท health-tech หรือสตาร์ตอัปที่อยากเอา RADAR ไปเป็นส่วนหนึ่งของบริการที่เก็บเงิน — น้ำหนักที่ปล่อยมาใช้ไม่ได้ คุณใช้ได้เฉพาะงานวิจัยและการประเมิน และถ้าจะ fine-tune ต่อ โมเดลผลลัพธ์ก็ยังติดเงื่อนไข NC-SA ต่อไป ส่วนการที่โค้ดเป็น Apache-2.0 ช่วยได้อย่างเดียวคือ คุณเทรนใหม่จากศูนย์ด้วยข้อมูลของคุณเองได้ — ซึ่งต้องการ CT หลายแสนเคสพร้อมรายงาน อันเป็นทรัพยากรที่มีไม่กี่ที่ในโลก

นี่ไม่ใช่การกล่าวหาว่าทีมทำผิด — CC BY-NC-SA เป็นตัวเลือกที่สมเหตุสมผลสำหรับโมเดลที่เทรนจากข้อมูลผู้ป่วยจริง และน่าจะเป็นเงื่อนไขที่ตกลงกับโรงพยาบาลที่ให้ข้อมูลด้วย ประเด็นคือ พาดหัวข่าวที่บอกว่า “เปิดซอร์ส” ทำให้คนอ่านเข้าใจไปอีกอย่าง และคนที่จะเสียเวลาคือทีมที่เริ่มสร้างผลิตภัณฑ์ไปแล้วค่อยมาอ่านไฟล์ LICENSE

มุมมอง AI Curator

ผมคิดว่างานนี้สำคัญด้วยเหตุผลทางเทคนิคที่ไม่ค่อยถูกพูดถึงในข่าว: วิธีเทรน การเรียนจากรายงานทางคลินิกที่แพทย์เขียนอยู่แล้วทุกวัน แทนที่จะรอชุดข้อมูลที่ label ทีละโรค คือการเปลี่ยนคอขวดจาก “เวลาของแพทย์” เป็น “ข้อมูลที่โรงพยาบาลมีอยู่แล้ว” และนั่นคือความแตกต่างระหว่างโมเดลที่ทำได้ 5 โรคกับโมเดลที่ทำได้ 146 ลักษณะ เป็นบทเรียนแบบเดียวกับที่เกิดกับ LLM เมื่อวงการเลิกพึ่งข้อมูล label แล้วหันไปเรียนจากข้อความที่มีอยู่จริง — และมันเพิ่งมาถึงรังสีวิทยา

สำหรับไทย ผมเห็นความเกี่ยวข้องชัดมาก เพราะรังสีแพทย์ของเรากระจุกอยู่ในโรงพยาบาลใหญ่และในกรุงเทพฯ ขณะที่เครื่อง CT กระจายไปถึงโรงพยาบาลจังหวัดและโรงพยาบาลชุมชนขนาดใหญ่มานานแล้ว ผลลัพธ์คือภาพถูกถ่ายในต่างจังหวัดแต่ต้องส่งมาอ่านที่ส่วนกลาง เกิดคิวที่ยาวเป็นสัปดาห์ ตัวเลข sensitivity เพิ่มราว 10% เมื่อมี AI ช่วย จึงน่าสนใจกว่าตัวเลข AUC ใด ๆ เพราะมันวัดสิ่งที่ตรงกับการใช้งานจริง — คนอ่านยังเป็นแพทย์ AI แค่ช่วยไม่ให้พลาด ไม่ใช่โมเดลที่อ่านแทน ซึ่งเป็นรูปแบบเดียวที่ผ่านการกำกับดูแลได้ในระยะใกล้

แต่ผมอยากเตือนสองข้อสำหรับใครที่กำลังตื่นเต้น ข้อแรก โมเดลนี้เทรนบนคลังรายงานภาษาจีนจากประชากรจีน — ทั้งความชุกของโรค โปรโตคอลการฉีดสารทึบรังสี และรุ่นของเครื่อง CT ต่างจากบ้านเรา การจะใช้จริงต้อง validate ภายนอกกับข้อมูลไทย ก่อนเสมอ ไม่ใช่เอาตัวเลขจากเปเปอร์มาอ้าง และเปเปอร์เองก็ทำ external validation ไว้ให้ดูเป็นแบบอย่างแล้ว ข้อสอง เรื่องไลเซนส์ที่เขียนไว้ข้างบน — ถ้าทีมไทยทีมไหนอยากใช้เชิงพาณิชย์จริง เส้นทางที่ถูกคือ ติดต่อ DAMO Academy เพื่อขอเงื่อนไขอื่น ไม่ใช่หวังว่าจะไม่มีใครสังเกต

และบทเรียนทั่วไปที่ผมอยากให้ติดตัวไป: “เปิดซอร์ส” ในข่าว AI ปี 2026 แทบไม่เคยหมายถึงสิ่งเดียวกันสองครั้ง repo หนึ่งอาจมีโค้ด Apache-2.0 กับน้ำหนัก non-commercial อยู่ด้วยกัน เหมือนที่เราเคยเห็นโมเดล MIT ที่พ่วง encoder ห้ามใช้เชิงพาณิชย์ ก่อนตัดสินใจเทคโนโลยีจากพาดหัว ให้เสียเวลาสามสิบวินาทีเปิดไฟล์ LICENSE ของทุกก้อนที่คุณจะดาวน์โหลด — ทั้งโค้ด ทั้งน้ำหนัก และทั้ง dependency ที่มันดึงมา

แหล่งข่าว

• radar-generalist/RADAR บน Hugging Face (น้ำหนัก, CC BY-NC-SA 4.0)
• alibaba-damo-academy/damo-radar บน GitHub (โค้ด, Apache-2.0)
• An expert-level generalist AI for abdominal CT diagnosis — Science (17 ก.ย. 2026)
• รายงานของ SCMP (18 ก.ย. 2026)