AI辅助乳腺癌筛查：从影像采集到治疗决策

乳腺癌是美国女性中最常被诊断出的癌症，但诊疗链条上的缺口很大。40岁以上女性中，大多数人跳过了建议的年度筛查。放射科医生人数减少，要读的乳腺钼靶片却越来越多。而一旦确诊，决定治疗方案的检测又要等上几周才能出结果。

英伟达初创加速计划中的几家公司，正在影像、风险评估和治疗规划这几个环节上，用AI给临床医生搭把手。美国每年大约做4000万次乳腺钼靶检查，而未来十年预计会出现数万名放射科医生的缺口，读片能力受到制约。

诊疗链条的另一端，治疗决策往往依赖送到外部实验室的基因组检测——这些检测要花几周时间，偏偏那是最需要速度和确定性的时刻。下面这些公司，正在从两端往中间填补这道缝。

简化影像采集流程

对找不到时间或附近没有筛查点的女性来说，可及性是一道实打实的墙，墙后面是漏掉的诊断。英伟达初创加速计划成员 iSono Health 就是围绕简化影像流程来做的。

它的 ATUSA 平台拿到了FDA许可，是一套可穿戴、自动化的3D定量超声系统，每侧乳房大约2分钟就能采集一个标准化的乳腺体积，而传统手持超声最多要45分钟。系统的AI在数千次全乳扫描、超过150万帧超声图像上训练，自动完成图像采集。它用英伟达GPU加速和开源医学影像技术，输出3D扫描，公司称其灵敏度比手持2D超声高28%。

手持超声的结果取决于谁拿着探头，所以一位女性今年的扫描和明年往往没法对比。ATUSA每次都按同样的方式采集整个乳房，形成可重复的乳腺组织视图，能帮临床医生分析患者组织在连续扫描间的变化，同时减少操作误差和变异性。

ATUSA已通过合作诊所在加州、得州、佐治亚州、田纳西州和华盛顿特区投入商用，新站点还在陆续上线。

“把扫描送到患者身边是第一个突破，”iSono Health 首席执行官 Neda Razavi 说，“我们的愿景是让这次扫描越来越有信息量：帮临床医生看清那里有什么、理解什么发生了变化，做出更明智的决定。”

iSono Health 已经开发出病灶检测、3D分割和病灶分类的AI能力，下一步计划把AI管线扩展到多模态诊断智能，覆盖3D超声、钼靶、MRI和临床信息。公司正在开展一项3200名患者的多中心临床研究，以进一步验证平台表现，牵头研究中心设在加州大学戴维斯分校和范德堡大学医学中心。

在大量钼靶片中寻找癌症

另一家英伟达初创加速计划公司 Whiterabbit.ai 也在做乳腺癌筛查的AI技术。它拿到FDA许可的 WRDensity 软件能从钼靶片自动评估乳腺密度，已用于数十万名患者的诊疗。公司还开发了 WRRisk，一款估算患者长期乳腺癌风险的临床决策支持软件，并正在研究新一代钼靶AI，帮放射科医生发现更多癌症，同时自动筛查结果为阴性的钼靶片。

目标是减轻已经吃紧的放射科医生队伍的负担，加快出结果，减少患者不必要的复检，并降低下游医疗成本。

“每天，乳腺放射科医生都在面对大海捞针的问题，要在大约每200张钼靶片里找出1个癌症，”Whiterabbit.ai 联合创始人兼首席技术官 Jason Su 说，“我们希望AI能成为放射科医生的得力搭档，帮忙把干草清走，让他们把专业能力集中在最关键的地方。”

Whiterabbit 在圣路易斯华盛顿大学的一批英伟达GPU集群上训练AI模型，云端GPU算力作为补充，推理则跑在直接部署于诊所的英伟达GPU上。

用已有数据预测治疗反应

患者确诊乳腺癌之后，下一个问题是怎么治——答案取决于预测癌症对治疗会如何反应。

目前这类预测在范围和准确性上都有限，往往还需要单独做一次组织活检，等待两到四周。Ataraxis AI 正在构建临床智能，利用数字数据预测患者结果和对不同疗法的反应，这些数据包括患者标准检查流程中已有的病理切片。

“肿瘤科医生今天依赖的指导治疗决策的工具，大多是十五年前训练一次后就再没更新过。我们的模型每获得更多临床试验数据就会变得更强，”Ataraxis AI 技术团队成员 Joseph Cappadona 说，“但随着模型规模扩大，更大的转变是能够回答更多问题，帮助肿瘤科医生在所有癌症中实现个性化治疗。”

Ataraxis 的AI模型分析数字病理切片和标准临床变量，预测治疗反应和复发风险。一个模型预测术前化疗是否可能让患者肿瘤缩小到产生反应的程度。手术后，另一个模型估算患者的五年复发风险以及下一步化疗的可能获益。

这两个模型已在超过10家机构和多项临床试验中得到验证，并已投入临床使用。它们运行在本地部署的英伟达GPU上。