Finansiering

TestDynamics sikrer 9 millioner dollar i Series A-finansiering til evaluering af AI til medicinsk billeddiagnostik

Evan Mercer
Føj Unite.AI til dine foretrukne kilder på Google
Conceptual radiology monitors connected to a unified medical imaging review panel
NøglepunkterSatori evaluerer billeddannelsesalgoritmer på hvert hospitals egne undersøgelser før…
Vis mere
  • Satori evaluerer billeddannelsesalgoritmer på hvert hospitals egne undersøgelser før købsbeslutninger.
  • TestDynamics argumenterer for, at evalueringen skal komme udefra modellen snarere end fra algoritmeleverandører.
  • Satori Edge afidentificerer undersøgelser inde i hospitalsnetværket og sender dem kun til aktiverede leverandører.

TestDynamics har sikret sig 9 millioner dollar i finansiering med en Series A-runde ledet af Healthier Capital og strategisk deltagelse fra Cedars-Sinai Technology Ventures. Det Austin-baserede selskab vil bruge kapitalen til at udvide Satori, en leverandøruafhængig platform, der evaluerer AI-algoritmer til medicinsk billeddiagnostik og integrerer deres resultater i radiologernes eksisterende arbejdsgange.

Finansieringen retter sig mod et problem, der vokser i takt med, at hospitalerne tager mere AI i brug: Valget af en algoritme er kun begyndelsen. Sundhedssystemerne skal også fastslå, hvordan den fungerer på deres egne patienter, forbinde den med klinisk software og afgøre, om den fortsat leverer nyttige resultater efter implementeringen.

TestDynamics oplyser, at Satori allerede bruges klinisk på flere af de ti højest rangerede medicinske centre i USA. Selskabet planlægger at udvide sit team for klinisk validering, implementere løsningen i flere sundhedssystemer og udvide sine muligheder for evaluering og koordinering til flere billeddiagnostiske subspecialer. Meddelelsen navngiver ikke de pågældende medicinske centre og oplyser ingen værdiansættelse.

Et evalueringslag over konkurrerende algoritmer til billeddiagnostik

AI til medicinsk billeddiagnostik er ofte specialiseret. Et værktøj kan markere mistanke om blødning på en CT-scanning af hovedet, mens et andet måler strukturer på en MR-scanning eller identificerer mulige brud på et røntgenbillede. Hvis man køber flere værktøjer, kan radiologerne ende med at skulle sammenholde forskellige brugerflader, fund og leverandørspecifikke påstande om ydeevne.

Satori ligger som et lag over disse værktøjer i stedet for at konkurrere som endnu en snævert afgrænset diagnostisk algoritme. TestDynamics kalder sin tilgang Amalgamated Intelligence: Resultater fra flere systemer evalueres og samles i en klinisk oversigt, hvor de prioriteres. Selskabet oplyser, at det benchmarker algoritmer op mod både referencefund, ofte kaldet ground truth, og konkurrerende produkter.

»Evalueringen skal komme udefra modellen,« sagde grundlægger og administrerende direktør Lior Eshel i meddelelsen. Hans argument er, at hospitalerne har brug for en evaluator, hvis rolle er adskilt fra de virksomheder, der sælger algoritmerne.

Platformbeskrivelsen tilføjer en praktisk detalje til denne tilgang: Kandidatværktøjer afprøves på udbyderens egne afidentificerede billeddiagnostiske undersøgelser, før klinikere og ledelse vælger dem. Resultaterne fastlægger et lokalt udgangspunkt for den efterfølgende overvågning. En models ydeevne andre steder er nyttig dokumentation, men en lokal evaluering undersøger, om den dokumentation også gælder for hospitalets faktiske arbejdsbyrde inden for billeddiagnostik.

Sådan forbindes Satori med hospitalets billeddiagnostiske systemer

Integrationskomponenten er Satori Edge, en tjeneste, der installeres på hospitalets netværk. Ifølge TestDynamics’ tekniske oversigt for it-teams modtager den undersøgelser fra et system til arkivering og kommunikation af billeder, PACS, samt fra DICOM-routere. PACS lagrer og henter medicinske billeder; DICOM er den standard, der bruges til at udveksle billederne og de tilhørende oplysninger.

Edge afidentificerer og krypterer undersøgelser, før de forlader netværket, sender dem kun videre til aktiverede AI-leverandører og knytter de returnerede resultater til den korrekte patient på stedet. TestDynamics oplyser, at tjenesten bruger udgående forbindelser, og at selskabets aftaler med leverandørerne forbyder dem at opbevare patientdata eller bruge dem til træning.

Denne arkitektur giver hospitalet én forbindelse, hvorigennem det kan indføre eller udskifte værktøjer. Den samler også kontraktforholdene: TestDynamics har aftaler og forretningsforbindelsesaftaler med de underliggende AI-leverandører. Aftalerne fastlægger ansvaret for håndtering af beskyttede helbredsoplysninger, mens den tekniske forbindelse håndterer overførslen af undersøgelser og resultater.

Et samlet overblik, hvor radiologerne godkender fundene

Udtrykket »ét resultat« kan give indtryk af, at flere AI-svar blandes sammen til en ny diagnose. Selskabets dokumentation for Satori View beskriver en mere specifik arbejdsgang: De enkelte resultater vises, som den oprindelige algoritme har frembragt dem, og organiseres i et ensartet overblik dér, hvor billederne gennemgås.

Kliniske afdelinger kan vælge, hvilke fund der vises, og hvordan de sorteres. Radiologerne godkender, hvad der vises i billedfremviseren eller i udkastet til rapporten. Prioritetsmarkeringer fra godkendte triageværktøjer kan også sendes til arbejdslister, mens opfølgning hjælper med at holde tilfældige fund synlige, indtil de er håndteret.

Denne forskel er vigtig for ansvarsplaceringen. En radiolog skal kunne forstå, hvilket værktøj der har frembragt et fund, og om det skal accepteres. Det er nyttigt at reducere rod i brugerfladen; det er lige så vigtigt at bevare muligheden for at undersøge og afvise et resultat.

Overvågning af ydeevnen efter idriftsættelse

Satori Governance udvider evalueringen til den løbende drift. TestDynamics oplyser, at løsningen følger ydeevnen i forhold til hvert hospitals udgangspunkt, overvåger brugen, sammenligner AI-fund med de endelige rapporter og indsamler oplysninger om radiologernes enighed, tilsidesættelser og uenighed. Ledelsen kan bruge disse oplysninger til at beslutte, om et værktøj skal beholdes, udskiftes eller udbredes.

Overvågningen skal gøre det muligt at opdage afvigelser: ændringer i ydeevnen, efter at forholdene omkring en model har ændret sig. Opgraderinger af scannere, andre billeddiagnostiske protokoller, nye patientgrupper eller opdaterede modelversioner kan alle være grund til at undersøge, om en tidligere evaluering stadig er relevant.

Overensstemmelse med en endelig rapport er et nyttigt signal, men det er ikke automatisk ensbetydende med en uafhængigt bedømt referencestandard. Det er fortsat vigtigt at gennemgå uoverensstemmelser og fastlægge pålidelige referencetilfælde som led i den kliniske validering. Finansieringens fokus på at udvide valideringsteamet afspejler det menneskelige arbejde, der ligger bag denne infrastruktur.

Finansiering af infrastrukturen omkring klinisk AI

Efterspørgslen efter ekstern evaluering rækker ud over billeddiagnostik. En kommentar om klinisk validering i Nature Medicine fra 2024 argumenterede for strengere evidenskrav til godkendte AI-værktøjer til sundhedssektoren. Unite.ai har også dækket uafhængig afprøvning af AI i sundhedssektoren, hvilket afspejler et bredere ønske om at vurdere systemer på grundlag af evidens, der rækker ud over udviklernes egne påstande.

Healthier Capitals deltagelse støtter en tese om infrastruktur: Hospitaler får brug for at kunne skifte AI-leverandør uden at skulle genopbygge deres kliniske systemer omkring hver ny løsning. Cedars-Sinai Technology Ventures tilfører finansieringsrunden en investor med fokus på kommercialisering i sundhedssektoren; TestDynamics oplyser også, at virksomheden deltog i Cedars-Sinai Accelerators program i 2023.

For TestDynamics består muligheden i at gøre evaluering, integration og klinisk overvågning til en løbende ydelse frem for særskilte projekter for hver algoritme. Finansieringen på 9 millioner dollars skal hjælpe virksomheden med at udvide dette lag, og værdien afhænger i sidste ende af, om hospitalerne får tydeligere evidens om deres værktøjer og et mere anvendeligt informationsflow for radiologerne.

Evan Mercer er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI‑startups, venturekapital og de finansieringsdynamikker, der former næste generation af teknologivirksomheder. Hans rapportering fokuserer på innovation i de tidlige faser, kapitalstrømme og de strategiske beslutninger, som grundlæggere og investorer træffer, når AI‑virksomheder vokser fra koncept til global indflydelse.

Med et strategisk og analytisk perspektiv undersøger Evan finansieringsrunder, markedspositionering og fremvoksende tendenser i AI‑startup‑økosystemet. Han følger, hvordan venturekapital, virksomhedsinvesteringer og de børsnoterede markeder krydser med gennembrud inden for kunstig intelligens, og adskiller holdbare signaler fra kortvarig hype.

Artikler skrevet af Evan Mercer er AI‑genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre nøjagtighed, kontekst og ansvarlig dækning af det globale AI‑investeringslandskab