Finansiering

TestDynamics säkrar 9 miljoner dollar i Series A-finansiering för utvärdering av AI inom medicinsk bilddiagnostik

Evan Mercer
Lägg till Unite.AI bland dina föredragna källor på Google
Conceptual radiology monitors connected to a unified medical imaging review panel
Viktiga punkterSatori utvärderar bildalgoritmer på varje sjukhus egna studier innan köpbeslut.
Visa mer
  • Satori utvärderar bildalgoritmer på varje sjukhus egna studier innan köpbeslut.
  • TestDynamics hävdar att utvärdering måste komma utifrån modellen snarare än från algoritmleverantörer.
  • Satori Edge avidentifierar studier inom sjukhusnätverket och dirigerar dem endast till aktiverade leverantörer.

TestDynamics har säkrat 9 miljoner dollar i finansiering genom en Series A-runda ledd av Healthier Capital, med strategiskt deltagande från Cedars-Sinai Technology Ventures. Det Austinbaserade företaget ska använda kapitalet till att vidareutveckla Satori, en leverantörsneutral plattform som utvärderar AI-algoritmer för medicinsk bilddiagnostik och integrerar resultaten i radiologernas befintliga arbetsflöden.

Finansieringen riktar in sig på ett problem som växer i takt med att sjukhusen inför mer AI: att välja en algoritm är bara början. Vårdsystem behöver också fastställa hur den presterar på deras patienter, koppla den till klinisk programvara och avgöra om den fortsätter att ge användbara resultat efter driftsättning.

TestDynamics uppger att Satori redan används kliniskt vid flera av de tio högst rankade vårdcentrumen i USA. Företaget planerar att utöka sitt team för klinisk validering, införa plattformen i fler vårdsystem och bredda sina utvärderings- och samordningsfunktioner till fler subspecialiteter inom bilddiagnostik. I tillkännagivandet namnges inte vårdcentrumen och någon värdering anges inte.

Ett utvärderingslager ovanpå konkurrerande bilddiagnostiska algoritmer

AI för medicinsk bilddiagnostik är ofta specialiserad. Ett verktyg kan markera misstänkta blödningar på en datortomografi av huvudet, medan ett annat mäter strukturer på en magnetkamerabild eller identifierar möjliga frakturer på en röntgenbild. Om man köper flera verktyg kan radiologerna behöva jämföra separata gränssnitt, fynd och leverantörsspecifika påståenden om prestanda.

Satori fungerar ovanpå dessa verktyg i stället för att konkurrera som ännu en snävt inriktad diagnostisk algoritm. TestDynamics kallar sitt arbetssätt Amalgamated Intelligence: att utvärdera resultat från flera system och ordna dem i en klinisk vy där de viktigaste prioriteras. Företaget uppger att det jämför algoritmer både med referensfynd, ofta kallade facit, och med konkurrerande produkter.

”Utvärderingen måste komma utifrån, inte från modellen”, sade grundaren och vd:n Lior Eshel i tillkännagivandet. Hans argument är att sjukhusen behöver en utvärderare vars roll är fristående från de företag som säljer algoritmerna.

Plattformsbeskrivningen tillför en praktisk detalj: kandidater till verktyg testas på vårdgivarens egna avidentifierade bilddiagnostiska undersökningar innan kliniker och ledning väljer dem. Resultaten utgör en lokal baslinje för den fortsatta uppföljningen. En modells prestanda på andra håll är värdefull information, men en lokal utvärdering visar om den informationen är relevant för sjukhusets faktiska arbetsbelastning inom bilddiagnostik.

Så ansluter Satori till sjukhusets bilddiagnostiska system

Integrationskomponenten är Satori Edge, en tjänst som installeras i sjukhusets nätverk. Enligt TestDynamics tekniska översikt för it-team tar den emot undersökningar från ett system för arkivering och kommunikation av bilder, PACS, samt från DICOM-routrar. PACS lagrar och hämtar medicinska bilder; DICOM är standarden för att utbyta sådana bilder och tillhörande information.

Edge avidentifierar och krypterar undersökningar innan de lämnar nätverket, skickar dem endast till aktiverade AI-leverantörer och kopplar de returnerade resultaten till rätt patient på plats. TestDynamics uppger att tjänsten använder utgående anslutningar och att avtalen med leverantörerna förbjuder dem att behålla patientuppgifter eller använda dem för träning.

Den här arkitekturen ger sjukhuset en enda anslutning för att införa eller byta ut verktyg. Den förenklar också avtalshanteringen: TestDynamics har avtal och affärspartneravtal med de underliggande AI-leverantörerna. Avtalen reglerar ansvaret för hantering av skyddade hälsouppgifter, medan den tekniska anslutningen hanterar överföringen av undersökningar och resultat.

En samlad vy där radiologerna godkänner fynden

Uttrycket ”ett resultat” kan ge intrycket att flera AI-svar vägs samman till en ny diagnos. Dokumentationen för Satori View beskriver ett mer specifikt arbetsflöde: de enskilda resultaten visas så som den ursprungliga algoritmen genererade dem, samlade i en enhetlig vy där bilderna granskas.

Kliniska avdelningar kan välja vilka fynd som visas och i vilken ordning. Radiologerna godkänner vad som förs in i bildvisaren eller utkastet till utlåtande. Prioriteringsmarkeringar från godkända triageverktyg kan också visas i arbetslistor, medan uppföljning hjälper till att hålla bifynd synliga tills de har hanterats.

Den skillnaden är viktig för ansvarsutkrävandet. Radiologen behöver förstå vilket verktyg som har gett upphov till ett fynd och om det ska godtas. Det är värdefullt att minska röran i gränssnitten, men lika viktigt är att bevara möjligheten att granska och avvisa ett resultat.

Uppföljning av prestanda efter driftsättning

Satori Governance utvidgar utvärderingen till den löpande verksamheten. TestDynamics uppger att tjänsten följer prestandan i förhållande till varje sjukhus baslinje, övervakar användningen, jämför AI-fynd med slutliga utlåtanden och samlar in radiologernas medhåll, åsidosättanden och avvikande bedömningar. Ledningen kan använda dessa uppgifter för att avgöra om ett verktyg ska behållas, bytas ut eller användas i större omfattning.

Övervakningen är avsedd att synliggöra drift: en förändring i prestanda efter att förhållandena kring en modell har ändrats. Uppgraderingar av skannrar, andra bilddiagnostiska protokoll, nya patientgrupper eller uppdaterade modellversioner kan alla vara skäl att undersöka om en tidigare utvärdering fortfarande är tillämplig.

Överensstämmelse med en slutrapport är en användbar signal, men motsvarar inte automatiskt en oberoende fastställd referensstandard. Det är fortfarande viktigt för den kliniska valideringen att granska avvikelser och definiera tillförlitliga referensfall. Att finansieringen betonar behovet av att utöka valideringsteamet speglar det mänskliga arbete som ligger bakom denna infrastruktur.

Finansiering av infrastrukturen kring klinisk AI

Behovet av extern utvärdering sträcker sig bortom bilddiagnostik. En kommentar från 2024 i Nature Medicine om klinisk validering argumenterade för strängare evidenskrav för godkända AI-verktyg inom hälso- och sjukvården. Unite.ai har också rapporterat om oberoende testning av AI inom hälso- och sjukvården, vilket speglar en bredare strävan att bedöma system utifrån belägg som går utöver utvecklarnas egna påståenden.

Healthier Capitals medverkan stöder en tes om infrastruktur: sjukhus kommer att behöva kunna byta AI-leverantör utan att bygga om sina kliniska system för varje ny leverantör. Cedars-Sinai Technology Ventures tillför en investerare med inriktning på kommersialisering inom hälso- och sjukvården till finansieringsrundan; TestDynamics uppger också att bolaget deltog i Cedars-Sinai Accelerators program 2023.

För TestDynamics ligger möjligheten i att göra utvärdering, integration och klinisk tillsyn till en löpande tjänst i stället för separata projekt för varje algoritm. Finansieringen på 9 miljoner dollar ska hjälpa bolaget att bygga ut detta lager. I slutändan beror dess värde på om sjukhusen får tydligare belägg för hur deras verktyg fungerar och ett mer användbart flöde av resultat för radiologerna.

Evan Mercer är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som bevakar AI-startups, riskkapital och finansieringsdynamiken som formar nästa generation av teknikföretag. Hans rapportering fokuserar på innovation i tidig fas, kapitalflöden och de strategiska beslut som grundare och investerare fattar när AI-företag växer från koncept till global påverkan.

Med ett strategiskt och analytiskt perspektiv granskar Evan finansieringsrundor, marknadspositionering och framväxande trender i AI-startup‑ekosystemet. Han följer hur riskkapital, företagsinvesteringar och börsnoterade marknader korsar med genombrott inom artificiell intelligens och skiljer hållbara signaler från kortsiktig hype.

Artiklar skrivna av Evan Mercer är AI-genererade och granskas av Unite.AI:s redaktionsteam för att säkerställa noggrannhet, kontext och ansvarsfull täckning av det globala AI-investeringslandskapet