SkinBit haalt $6 miljoen op in pre-seed financiering om vroege huidkankerdetectie te verbeteren via full-body imaging

SkinBit heeft $6 miljoen opgehaald in pre-seed financiering om een technologieplatform uit te breiden dat full-body huidimaging meer toegankelijk maakt en patiënten een consistente record geeft van hoe hun huid verandert in de loop van de tijd.

De ronde omvat investeringen van Boost VC, Cleo Capital, Manna Ventures en Profluent Capital, naast Lyft-oprichter Logan Green en negen board-certified dermatologen. In plaats van te vertrouwen op een enkele jaarlijkse visuele onderzoek, combineert SkinBit gestandaardiseerde imaging, computer vision en dermatoloogbeoordeling om een patiënt-eigen, longitudinale huidgezondheidsrecord te creëren.

Mededeling: Ik ben een investeerder in deze financieringsronde.

Een huidonderzoek omzetten in een herhaalbare dataset

De meeste huidonderzoeken geven een momentopname van wat een dermatoloog tijdens een specifieke afspraak kan observeren. Zonder gestandaardiseerde beelden van eerdere bezoeken, kunnen clinici beperkte informatie hebben om te bepalen of een letsels nieuw, groeiend of anderszins verandert.

SkinBit probeert dat proces meer systematisch te maken. Haar platform registreert de locatie, afmetingen en visuele kenmerken van opvallende markeringen, en koppelt die informatie aan beelden die tijdens latere bezoeken worden gemaakt. Dit stelt dermatologen in staat om dezelfde gebieden van een patiënt lichaam in de loop van de tijd te vergelijken, in plaats van volledig te vertrouwen op geheugen, patiëntfoto’s of notities van eerdere onderzoeken.

Het centrale uitgangspunt van het bedrijf is dat de tweede scan mogelijk klinisch nuttiger kan zijn dan de eerste. Een initiële onderzoek stelt een basislijn vast, terwijl latere scans veranderingen kunnen onthullen die een nauwere evaluatie verdienen.

Hoe SkinBit’s screeningmodel werkt

Een SkinBit-afspraak bestaat uit een ongeveer 20-minuten durende, persoonlijke imagingsessie die wordt uitgevoerd door een getrainde technicus. Het bedrijf gebruikt hoge-resolutiefotografie en gepolariseerd licht, wat oppervlakteglans vermindert en fijne huiddetails onder gecontroleerde omstandigheden mogelijk maakt.

Het imagingprotocol omvat 15 anatomische regio’s en bevat dermoscopische close-ups van opvallende markeringen. De resulterende beelden en gestructureerde metadata worden vervolgens beoordeeld door een board-certified dermatoloog. Patiënten ontvangen meestal een geschreven beoordeling via de SkinBit-toepassing binnen 48 uur, met verwijzingen beschikbaar wanneer een aanvullend onderzoek of biopsie nodig is.

Computer vision wordt gebruikt om de beelden te organiseren, jaar-over-jaar vergelijkingen te ondersteunen en dermatologen te helpen hun aandacht te richten. Belangrijk is dat SkinBit zegt dat de software de definitieve klinische bepaling niet maakt. Elke scan wordt beoordeeld door een dermatoloog, die verantwoordelijk blijft voor aanbevelingen en beslissingen over follow-up zorg.

Het bedrijf verklaart ook dat zijn imagingsysteem de oppervlakte van de huid documenteert en niet bedoeld is om ziekten te diagnosticeren, te behandelen, te genezen of te voorkomen. Huidkankerscreening en -diagnose blijven de verantwoordelijkheid van bevoegde medische professionals.

Speciale imaging introduceren in bestaande klinieken

SkinBit plant zijn scansystemen in dermatologiepraktijken, levensduurklinieken, med spas en andere wellnessbestemmingen. Deze partner-gebaseerde strategie kan het bedrijf in staat stellen om uit te breiden zonder een groot netwerk van zelfstandige medische faciliteiten te bouwen.

Volgens zijn website kan ongeveer 220 vierkante meter worden omgezet in een SkinBit-imagingcentrum. Het bedrijf levert de apparatuur, gestandaardiseerde imagingomgeving en dermatoloogbeoordelingsdienst, terwijl de partner de fysieke locatie en toegang tot patiënten of leden biedt.

SkinBit verwacht dat het drie locaties in 2026 en 15 tegen het einde van 2027 in werking zal hebben. Het bedrijf meldt ook dat meer dan 20 potentiële locaties actief in onderhandeling zijn en dat meer dan 5.000 mensen zich hebben aangemeld voor zijn wachtlijst.

Dit distributiemodel kan helpen om enkele geografische en planningbarrières in verband met dermatologie aan te pakken, maar het creëert ook operationele uitdagingen. SkinBit moet consistent licht, camerakalibratie, patiëntpositionering en beeldkwaliteit over elke partnerlocatie behouden. Het moet ook betrouwbare verwijzingspaden hebben zodat patiënten met verontrustende resultaten toegang hebben tot passende follow-up zorg.

De imaging-infrastructuur voor dermatologie AI opbouwen

SkinBit’s langetermijnkans kan zich uitstrekken tot verder dan de scanner zelf.

Kunstmatige intelligentiesystemen in medische imaging zijn sterk afhankelijk van de kwaliteit en consistentie van de gegevens die worden gebruikt om ze te ontwikkelen en te evalueren. In dermatologie kunnen foto’s aanzienlijk variëren op basis van de camera, verlichting, hoek, afstand, huidvoorbereiding en imagingprotocol.

SkinBit bouwt een gestandaardiseerd acquisitiesysteem dat beelden onder herhaalbare omstandigheden vastlegt. Zijn technische werk omvat hoge-resolutie multi-camera imaging, gecontroleerde verlichting, polarisatie, camerakalibratie, driedimensionale reconstructie en de voorbereiding van beelden voor downstream computer vision-analyse.

Een groeiende verzameling gestructureerde, longitudinale beelden kan uiteindelijk een waardevolle basis vormen voor het ontwikkelen van systemen die subtiele veranderingen identificeren of helpen om letsels te prioriteren voor beoordeling. Echter, het opbouwen van een grote dataset is op zichzelf niet voldoende. SkinBit moet nog steeds aantonen dat zijn modellen consistent presteren over verschillende huidtinten, lichaamstypes, leeftijdsgroepen en klinische instellingen.

Het bedrijf moet ook duidelijke standaarden vaststellen voor privacy, patiënttoestemming, dataportabiliteit en het gebruik van beelden in toekomstige modelontwikkeling. Deze vragen worden steeds belangrijker wanneer een platform is ontworpen om highly gevoelige medische beelden over vele jaren te behouden.

Een bedrijf gevormd door de diagnose van de oprichter

SkinBit-CEO en mede-oprichter Jonathan Benassaya was eerder mede-oprichter van de muziekstreamingdienst Deezer en had senior productfuncties bij Life360 en Meta. Zijn beslissing om SkinBit op te richten volgde zijn eigen melanoomdiagnose in 2020, toen een dermatoloog een letsels onder zijn masker bij het einde van een afspraak opmerkte.

Het bedrijf heeft een klinisch team samengesteld dat bestaat uit Dr. Justin Ko, hoofd van de medische dermatologie van het Stanford Hospital, en Chief Medical Officer Dr. Sancy Leachman, de voormalige voorzitter van de dermatologie van de Oregon Health & Science University en maker van de MoleMapper-onderzoeksinitiatief.

De deelname van negen dermatologen in de financieringsronde geeft SkinBit praktijkervaringen die een directe interesse hebben in het evalueren van hoe het platform werkt in echte klinische omgevingen. Die steun is een nuttig vroeg signaal, hoewel brede adoptie uiteindelijk afhankelijk zal zijn van klinisch bewijs, workflow-integratie en meetbare verbeteringen in patiëntzorg.

De volgende test is uitvoering

De $6 miljoen ronde geeft SkinBit extra middelen om zijn eerste locaties online te brengen, zijn imagingsysteem te verfijnen en te beginnen met het opbouwen van de longitudinale dataset achter zijn platform.

Zijn aanpak vertegenwoordigt een andere toepassing van kunstmatige intelligentie in de gezondheidszorg. In plaats van software te positioneren als vervanging voor een specialist, gebruikt SkinBit computer vision om de informatie beschikbaar voor dermatologen te verbeteren en onderzoeken meer consistent te maken van de ene bezoek aan de andere.

De onmiddellijke test zal zijn of het bedrijf die ervaring kan reproduceren over een gedistribueerd netwerk, terwijl klinische kwaliteit wordt behouden en patiënten tijdige toegang hebben tot follow-up zorg. Als het slaagt, kan SkinBit helpen om huidscreening te verplaatsen van geïsoleerde jaarlijkse momentopnamen naar een meer continue, gegevensgestuurde model.