Finansiering

TestDynamics sikrer 9 millioner dollar i Series A-finansiering for evaluering av KI innen medisinsk bildediagnostikk

Evan Mercer
Legg til Unite.AI blant dine foretrukne kilder på Google
Conceptual radiology monitors connected to a unified medical imaging review panel
Viktige punkterSatori evaluerer bildediagnostikkalgoritmer på hvert sykehus sine egne studier før…
Vis mer
  • Satori evaluerer bildediagnostikkalgoritmer på hvert sykehus sine egne studier før kjøpsbeslutninger.
  • TestDynamics hevder at evalueringen må komme fra utsiden av modellen i stedet for fra algoritmeleverandører.
  • Satori Edge avidentifiserer studier inne i sykehusnettverket og sender dem bare til aktiverte leverandører.

TestDynamics har sikret 9 millioner dollar i finansiering gjennom en Series A-runde ledet av Healthier Capital, med strategisk deltakelse fra Cedars-Sinai Technology Ventures. Selskapet, som holder til i Austin, skal bruke kapitalen til å videreutvikle Satori, en leverandøruavhengig plattform som evaluerer KI-algoritmer for medisinsk bildediagnostikk og integrerer resultatene i radiologenes eksisterende arbeidsflyter.

Finansieringen retter seg mot et problem som vokser i takt med at sykehus tar i bruk mer KI: Valg av algoritme er bare begynnelsen. Helseforetak må også fastslå hvordan den fungerer på deres pasienter, koble den til klinisk programvare og finne ut om den fortsetter å levere nyttige resultater etter at den er tatt i bruk.

TestDynamics opplyser at Satori allerede brukes klinisk ved flere av de ti høyest rangerte medisinske sentrene i USA. Selskapet planlegger å utvide teamet for klinisk validering, ta løsningen i bruk i flere helseforetak og utvide plattformens evaluerings- og orkestreringsfunksjoner til flere underspesialiteter innen bildediagnostikk. Kunngjøringen navngir ikke de medisinske sentrene eller oppgir noen verdsettelse.

Et evalueringslag over konkurrerende bildediagnostiske algoritmer

KI for medisinsk bildediagnostikk er ofte spesialisert. Ett verktøy kan varsle om mulig blødning på en CT-undersøkelse av hodet, mens et annet måler strukturer på en MR-undersøkelse eller identifiserer mulige brudd på et røntgenbilde. Når radiologer tar i bruk flere verktøy, kan de ende opp med å måtte sammenholde separate grensesnitt, funn og leverandørspesifikke påstander om ytelse.

Satori ligger over disse verktøyene i stedet for å konkurrere som enda en snever diagnostisk algoritme. TestDynamics kaller tilnærmingen sin Amalgamated Intelligence: å evaluere resultater fra flere systemer og organisere dem i en prioritert klinisk oversikt. Selskapet opplyser at det måler algoritmene opp mot både referansefunn, ofte kalt fasit, og konkurrerende produkter.

«Evalueringen må komme utenfra modellen», sa grunnlegger og administrerende direktør Lior Eshel i kunngjøringen. Han mener at sykehus trenger en evaluator som har en annen rolle enn selskapene som selger algoritmene.

Beskrivelsen av plattformen utdyper dette med en praktisk detalj: Kandidatverktøy testes på helseforetakets egne avidentifiserte bildediagnostiske undersøkelser før klinikere og ledelse velger dem. Resultatene etablerer et lokalt utgangspunkt for senere overvåking. En modells ytelse andre steder er nyttig dokumentasjon, men en lokal evaluering undersøker om den også gjelder for sykehusets faktiske arbeidsmengde innen bildediagnostikk.

Slik kobler Satori seg til sykehusets bildediagnostiske systemer

Integrasjonskomponenten er Satori Edge, en tjeneste som installeres i sykehusets nettverk. Ifølge TestDynamics’ tekniske oversikt for IT-team mottar den undersøkelser fra et system for arkivering og kommunikasjon av bilder, kalt PACS, og fra DICOM-rutere. PACS lagrer og henter fram medisinske bilder, mens DICOM er standarden for utveksling av slike bilder og tilhørende informasjon.

Edge avidentifiserer og krypterer undersøkelser før de forlater nettverket, sender dem bare til KI-leverandører som er aktivert, og kobler resultatene som kommer tilbake, til riktig pasient lokalt. TestDynamics opplyser at tjenesten bruker utgående tilkoblinger, og at avtalene med leverandørene forbyr dem å oppbevare pasientdata eller bruke dem til trening.

Denne arkitekturen gir sykehuset én tilkobling som det kan bruke til å ta i bruk eller bytte ut verktøy. Den samler også kontraktsarbeidet: TestDynamics har avtaler og forretningsforbindelsesavtaler med de underliggende KI-leverandørene. Avtalene regulerer ansvaret for håndtering av beskyttede helseopplysninger, mens den tekniske tilkoblingen håndterer overføringen av undersøkelser og resultater.

En samlet oversikt, der radiologene godkjenner funnene

Uttrykket «ett resultat» kan gi inntrykk av at flere KI-svar blandes sammen til en ny diagnose. Dokumentasjonen for Satori View beskriver en mer konkret arbeidsflyt: De enkelte resultatene vises slik den opprinnelige algoritmen produserte dem, organisert i en enhetlig oversikt der bildene granskes.

Kliniske avdelinger kan velge hvilke funn som vises, og i hvilken rekkefølge. Radiologene godkjenner det som legges inn i bildeviseren eller i rapportutkastet. Prioritetsvarsler fra godkjente triageverktøy kan også vises i arbeidslistene, mens oppfølging bidrar til at tilfeldige funn forblir synlige til de er håndtert.

Dette skillet er viktig for ansvarsforholdene. En radiolog må forstå hvilket verktøy som har produsert et funn, og kunne avgjøre om det skal godtas. Det er nyttig å redusere rot i grensesnittet, men det er like viktig å bevare muligheten til å undersøke og avvise et resultat.

Overvåking av ytelsen etter lansering

Satori Governance utvider evalueringen til den løpende driften. TestDynamics opplyser at løsningen sporer ytelsen opp mot hvert sykehus’ utgangspunkt, overvåker bruken, sammenligner KI-funn med de endelige rapportene og samler inn informasjon om radiologenes enighet, overstyringer og uenighet. Ledelsen kan bruke denne dokumentasjonen til å avgjøre om et verktøy skal beholdes, byttes ut eller tas i bruk i større omfang.

Overvåkingen skal avdekke ytelsesdrift: endringer i ytelsen som oppstår når forholdene rundt en modell endres. Oppgraderinger av skannere, ulike bildediagnostiske protokoller, nye pasientgrupper eller oppdaterte modellversjoner kan alle gi grunn til å undersøke om en tidligere evaluering fortsatt er relevant.

Samsvar med en endelig rapport er et nyttig signal, men er ikke automatisk det samme som en uavhengig fastslått fasit. Det er fortsatt viktig for den kliniske valideringen å gjennomgå uenigheter og definere pålitelige referansetilfeller. At finansieringen legger vekt på å utvide valideringsteamet, gjenspeiler det menneskelige arbeidet som ligger bak denne infrastrukturen.

Finansiering av infrastrukturen rundt klinisk KI

Behovet for ekstern evaluering strekker seg utover bildediagnostikk. En kommentar om klinisk validering i Nature Medicine i 2024 tok til orde for strengere dokumentasjonskrav for godkjente KI-verktøy innen helse. Unite.ai har også omtalt uavhengig testing av KI i helsevesenet, noe som gjenspeiler et bredere ønske om å vurdere systemer opp mot dokumentasjon utover utviklernes egne påstander.

Healthier Capitals deltakelse støtter en tese om infrastruktur: Sykehus må kunne bytte KI-leverandør uten å bygge om de kliniske systemene sine for hver nye leverandør. Cedars-Sinai Technology Ventures tilfører finansieringsrunden en investor med erfaring fra kommersialisering innen helsevesenet. TestDynamics oppgir også at selskapet deltok i Cedars-Sinai Accelerators program i 2023.

For TestDynamics ligger muligheten i å gjøre evaluering, integrering og klinisk oppfølging til en løpende tjeneste, i stedet for separate prosjekter for hver algoritme. Finansieringen på 9 millioner dollar skal hjelpe selskapet med å utvide dette laget. Verdien vil til syvende og sist avhenge av om sykehusene får tydeligere dokumentasjon om verktøyene sine og en mer brukervennlig arbeidsflyt for funnene radiologene gjør.

Evan Mercer er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-oppstartsbedrifter, venturekapital og finansieringsdynamikken som former neste generasjon av teknologiselskaper. Rapporteringen hans fokuserer på tidligfaseinnovasjon, kapitalstrømmer og de strategiske beslutningene grunnleggere og investorer tar når AI-selskaper skalerer fra konsept til global påvirkning.

Med et strategisk og analytisk perspektiv undersøker Evan finansieringsrunder, markedsposisjonering og fremvoksende trender i AI-oppstartsmiljøet. Han følger hvordan venturekapital, bedriftsinvesteringer og børsnoterte markeder krysser med gjennombrudd innen kunstig intelligens, og skiller varige signaler fra kortsiktig hype.

Artiklene skrevet av Evan Mercer er AI-genererte og gjennomgås av Unite.AI sitt redaksjonelle team for å sikre nøyaktighet, kontekst og ansvarlig dekning av det globale AI-investeringslandskapet