每年4000万次乳腺筛查，AI初创公司正在填补缺口

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却很大。40岁以上的女性中，大多数人跳过了建议的年度筛查。放射科医生越来越少，却要读越来越多的乳腺X光片。而一旦确诊，那些决定治疗方案的检测，往往要等上几周才能出结果。

英伟达面向初创企业的Inception计划中，有一批公司正在这些摩擦点上构建AI应用，覆盖影像、风险评估和治疗规划。美国每年大约进行4000万次乳腺X光检查，但未来十年预计将短缺数万名放射科医生，系统读取这些影像的能力正被持续挤压。

在诊疗时间线的另一端，治疗决策常常依赖送往外部实验室的基因组检测——这些检测需要数周才能完成，而此刻速度和确定性恰恰最为关键。下面这些公司正在同时应对缺口的两端，以及中间的所有环节。

自动化影像带来AI洞察

对于难以抽出时间或找到附近筛查地点的女性来说，可及性是一道实实在在的障碍，直接转化为漏诊。英伟达Inception初创公司iSono Health正是围绕简化这一影像流程而建立的。

该公司的ATUSA平台已获FDA许可，是一套可穿戴、自动化的3D定量超声系统，每侧乳房约两分钟即可完成标准化乳腺体积采集，而传统手持超声最多需要45分钟。系统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。它利用英伟达GPU加速和开源医学影像技术，输出3D扫描结果，公司称其灵敏度比手持2D超声高出28%。

手持超声依赖操作者手持探头的方式，因此女性每年的扫描结果通常无法相互比较。ATUSA每次都以相同方式采集整个乳房，形成可重复的乳腺组织视图，有望帮助临床医生分析患者组织在连续扫描中的变化，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，新站点正在陆续上线。

“让扫描离患者更近是第一个突破，”iSono Health首席执行官Neda Razavi说。“我们的愿景是让扫描信息越来越丰富：帮助临床医生看到那里有什么、理解发生了什么变化，并做出更明智的决定。”

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

找出癌症，减少假警报

另一家英伟达Inception公司Whiterabbit.ai开发乳腺癌筛查AI技术。其获FDA许可的WRDensity软件可从乳腺X光片中自动评估乳腺密度，已用于数十万患者的诊疗。该公司还开发了WRRisk，一款用于估算患者长期患乳腺癌风险的临床决策支持软件，并正在研究新一代乳腺X光AI，帮助放射科医生发现更多癌症，同时自动筛查结果为阴性的乳腺X光片。

目标是减轻紧张的放射科医生队伍的负担，加快出结果速度，减少患者不必要的回访，并降低下游医疗成本。

“每天，乳腺放射科医生都面临大海捞针的问题，要在每200张乳腺X光片中找出大约一例癌症，”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强大搭档，帮助清除干草，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，并以云端额外GPU容量作为补充。推理则直接在诊所内部署的英伟达GPU上运行。

预测哪种治疗会奏效

患者确诊乳腺癌后，下一个问题是怎么办——答案取决于预测癌症对治疗的反应。如今这些预测在范围和准确性上都有限，且往往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，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15年前一次性训练出来的，之后从未更新。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。“但随着我们扩展模型，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，以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应答的程度。手术后，另一个模型估算患者的五年复发风险以及化疗作为下一步治疗的潜在获益。这两个模型已在超过10家机构及多项研究中得到验证。