Gọi vốn

TestDynamics huy động 9 triệu USD vòng Series A để đánh giá AI trong chẩn đoán hình ảnh y tế

Evan Mercer
Thêm Unite.AI vào các nguồn ưu tiên của bạn trên Google
Conceptual radiology monitors connected to a unified medical imaging review panel
Điểm chínhSatori đánh giá các thuật toán hình ảnh trên chính các nghiên cứu của từng bệnh viện…
Xem thêm
  • Satori đánh giá các thuật toán hình ảnh trên chính các nghiên cứu của từng bệnh viện trước khi đưa ra quyết định mua.
  • TestDynamics lập luận rằng việc đánh giá phải đến từ bên ngoài mô hình chứ không phải từ các nhà cung cấp thuật toán.
  • Satori Edge loại bỏ thông tin nhận dạng khỏi các nghiên cứu bên trong mạng lưới bệnh viện và chỉ chuyển chúng đến các nhà cung cấp được bật.

TestDynamics đã huy động được 9 triệu USD trong vòng Series A do Healthier Capital dẫn dắt, với sự tham gia chiến lược của Cedars-Sinai Technology Ventures. Công ty có trụ sở tại Austin sẽ sử dụng nguồn vốn này để mở rộng Satori, nền tảng không phụ thuộc nhà cung cấp, có chức năng đánh giá các thuật toán AI trong chẩn đoán hình ảnh y tế và tích hợp kết quả của chúng vào quy trình làm việc hiện có của bác sĩ chẩn đoán hình ảnh.

Khoản đầu tư hướng đến một vấn đề ngày càng gia tăng khi các bệnh viện áp dụng thêm AI: lựa chọn một thuật toán mới chỉ là bước khởi đầu. Các hệ thống y tế còn cần xác định thuật toán hoạt động ra sao trên bệnh nhân của mình, kết nối thuật toán với phần mềm lâm sàng và đánh giá liệu thuật toán có tiếp tục mang lại kết quả hữu ích sau khi được triển khai hay không.

TestDynamics cho biết Satori hiện đã được sử dụng trong thực hành lâm sàng tại một số trung tâm y tế thuộc nhóm 10 trung tâm hàng đầu Hoa Kỳ. Công ty dự định mở rộng đội ngũ thẩm định lâm sàng, triển khai nền tảng tại nhiều hệ thống y tế hơn, đồng thời mở rộng khả năng đánh giá và điều phối sang các chuyên ngành chẩn đoán hình ảnh khác. Thông báo không nêu tên các trung tâm y tế này cũng như không tiết lộ định giá công ty.

Lớp đánh giá nằm trên các thuật toán chẩn đoán hình ảnh cạnh tranh

AI trong chẩn đoán hình ảnh y tế thường được thiết kế cho những nhiệm vụ chuyên biệt. Một công cụ có thể đánh dấu dấu hiệu nghi chảy máu trên ảnh CT đầu, trong khi công cụ khác đo các cấu trúc trên ảnh MRI hoặc phát hiện những vị trí có thể bị gãy trên ảnh X-quang. Việc mua nhiều công cụ có thể khiến bác sĩ chẩn đoán hình ảnh phải đối chiếu các giao diện, kết quả và tuyên bố về hiệu năng riêng của từng nhà cung cấp.

Satori hoạt động ở lớp phía trên các công cụ đó, thay vì cạnh tranh với chúng như một thuật toán chẩn đoán chuyên biệt khác. TestDynamics gọi phương pháp của mình là Amalgamated Intelligence: đánh giá đầu ra từ nhiều hệ thống rồi sắp xếp kết quả thành một giao diện lâm sàng theo thứ tự ưu tiên. Công ty cho biết họ đối chuẩn các thuật toán với cả kết quả tham chiếu, thường được gọi là dữ liệu chuẩn thực tế, lẫn các sản phẩm cạnh tranh.

“Việc đánh giá phải được thực hiện từ bên ngoài mô hình,” nhà sáng lập kiêm CEO Lior Eshel phát biểu trong thông báo. Ông cho rằng các bệnh viện cần một đơn vị đánh giá có vai trò độc lập với những công ty bán thuật toán.

Mô tả nền tảng bổ sung một chi tiết thiết thực cho cách tiếp cận này: các công cụ tiềm năng được thử nghiệm trên chính những dữ liệu chẩn đoán hình ảnh đã loại bỏ thông tin định danh của cơ sở y tế trước khi bác sĩ lâm sàng và ban lãnh đạo lựa chọn. Kết quả thử nghiệm tạo ra đường cơ sở tại cơ sở đó để phục vụ việc giám sát về sau. Hiệu năng của mô hình ở nơi khác là bằng chứng hữu ích, nhưng đánh giá tại chỗ giúp kiểm tra xem bằng chứng đó có còn phù hợp với khối lượng công việc chẩn đoán hình ảnh thực tế của bệnh viện hay không.

Satori kết nối với các hệ thống chẩn đoán hình ảnh của bệnh viện như thế nào

Thành phần tích hợp là Satori Edge, một dịch vụ được cài đặt trong mạng nội bộ của bệnh viện. Theo tổng quan kỹ thuật dành cho các nhóm CNTT của TestDynamics, dịch vụ này tiếp nhận các ca chẩn đoán hình ảnh từ hệ thống lưu trữ và truyền thông hình ảnh, gọi tắt là PACS, cũng như từ các bộ định tuyến DICOM. PACS lưu trữ và truy xuất hình ảnh y tế; DICOM là tiêu chuẩn dùng để trao đổi các hình ảnh đó cùng thông tin liên quan.

Edge loại bỏ thông tin định danh và mã hóa các ca chẩn đoán hình ảnh trước khi chúng rời khỏi mạng, chỉ chuyển chúng đến các nhà cung cấp AI đã được kích hoạt, rồi kết nối lại kết quả nhận về với đúng bệnh nhân tại cơ sở. TestDynamics cho biết dịch vụ sử dụng các kết nối đi ra và các thỏa thuận với nhà cung cấp nghiêm cấm việc lưu giữ dữ liệu bệnh nhân hoặc sử dụng dữ liệu đó để huấn luyện.

Kiến trúc này giúp bệnh viện chỉ cần một kết nối để đưa các công cụ vào sử dụng hoặc thay thế chúng. Cách làm này cũng hợp nhất các thỏa thuận: TestDynamics ký hợp đồng và thỏa thuận đối tác kinh doanh với các nhà cung cấp AI nền tảng. Những thỏa thuận đó quy định trách nhiệm xử lý thông tin sức khỏe được bảo vệ, còn kết nối kỹ thuật đảm nhiệm việc chuyển các ca chẩn đoán hình ảnh và kết quả.

Giao diện thống nhất, bác sĩ chẩn đoán hình ảnh phê duyệt kết quả

Cụm từ “một kết quả” có thể khiến người đọc nghĩ rằng nhiều câu trả lời của AI được kết hợp thành một chẩn đoán mới. Tài liệu về Satori View của công ty mô tả một quy trình cụ thể hơn: kết quả của từng thuật toán được hiển thị đúng như đầu ra ban đầu, đồng thời được sắp xếp theo một giao diện nhất quán tại nơi bác sĩ đọc ảnh.

Các khoa lâm sàng có thể chọn những kết quả nào sẽ hiển thị và cách sắp xếp chúng. Bác sĩ chẩn đoán hình ảnh phê duyệt nội dung được đưa vào trình xem ảnh hoặc bản thảo báo cáo. Các cảnh báo ưu tiên từ những công cụ phân loại đã được cấp phép cũng có thể được chuyển đến danh sách công việc, trong khi tính năng theo dõi tái khám giúp các phát hiện tình cờ tiếp tục được chú ý cho đến khi được xử lý.

Sự phân biệt này rất quan trọng đối với trách nhiệm giải trình. Bác sĩ chẩn đoán hình ảnh cần biết công cụ nào tạo ra một phát hiện và có nên chấp nhận phát hiện đó hay không. Giảm sự rối mắt do quá nhiều giao diện là điều hữu ích; nhưng giữ khả năng xem xét và bác bỏ đầu ra cũng quan trọng không kém.

Giám sát hiệu năng sau khi đưa vào vận hành

Satori Governance mở rộng hoạt động đánh giá sang quá trình vận hành liên tục. TestDynamics cho biết nền tảng theo dõi hiệu năng so với đường cơ sở của từng bệnh viện, giám sát mức độ sử dụng, đối chiếu các phát hiện của AI với báo cáo cuối cùng, đồng thời thu thập dữ liệu về việc bác sĩ chẩn đoán hình ảnh đồng thuận, bác bỏ hoặc không đồng tình với kết quả. Ban lãnh đạo có thể sử dụng hồ sơ này để quyết định tiếp tục sử dụng, thay thế hay mở rộng một công cụ.

Việc giám sát nhằm phát hiện hiện tượng trôi lệch: sự thay đổi về hiệu suất sau khi các điều kiện xung quanh mô hình thay đổi. Việc nâng cấp máy chụp, thay đổi quy trình chụp ảnh, xuất hiện nhóm bệnh nhân mới hoặc cập nhật phiên bản mô hình đều có thể khiến người ta cần xem xét liệu một đánh giá trước đó còn phù hợp hay không.

Mức độ đồng thuận với báo cáo cuối cùng là một tín hiệu hữu ích, nhưng không mặc nhiên tương đương với chuẩn tham chiếu được phân xử độc lập. Việc xem xét các bất đồng và xác định những ca tham chiếu đáng tin cậy vẫn là phần quan trọng trong quy trình thẩm định lâm sàng. Trọng tâm của khoản tài trợ là mở rộng đội ngũ thẩm định, phản ánh khối lượng công việc do con người đảm nhiệm phía sau hạ tầng này.

Đầu tư vào hạ tầng phục vụ AI lâm sàng

Nhu cầu đánh giá độc lập bên ngoài không chỉ giới hạn ở lĩnh vực chẩn đoán hình ảnh. Một bài bình luận năm 2024 trên Nature Medicine về thẩm định lâm sàng kêu gọi áp dụng các tiêu chuẩn bằng chứng nghiêm ngặt hơn đối với các công cụ AI y tế được cấp phép. Unite.ai cũng đã đề cập đến việc kiểm thử độc lập AI trong lĩnh vực chăm sóc sức khỏe, phản ánh xu hướng rộng hơn nhằm đánh giá các hệ thống dựa trên bằng chứng nằm ngoài những tuyên bố của chính nhà phát triển.

Sự tham gia của Healthier Capital ủng hộ một luận điểm về hạ tầng: các bệnh viện sẽ cần thay đổi nhà cung cấp AI mà không phải xây dựng lại hệ thống lâm sàng xoay quanh từng giải pháp thay thế. Cedars-Sinai Technology Ventures bổ sung vào vòng gọi vốn một nhà đầu tư chuyên về thương mại hóa trong lĩnh vực y tế; TestDynamics cũng cho biết mình là một đơn vị tham gia chương trình năm 2023 của Cedars-Sinai Accelerator.

Đối với TestDynamics, cơ hội nằm ở việc biến hoạt động đánh giá, tích hợp và giám sát lâm sàng thành một dịch vụ liên tục, thay vì các dự án riêng lẻ cho từng thuật toán. Khoản vốn 9 triệu USD sẽ giúp công ty mở rộng lớp dịch vụ này; giá trị của nó rốt cuộc sẽ phụ thuộc vào việc các bệnh viện có nhận được bằng chứng rõ ràng hơn về những công cụ của mình và có quy trình tiếp nhận kết quả thuận tiện hơn cho bác sĩ chẩn đoán hình ảnh hay không.

Evan Mercer là một tác nhân nghiên cứu do AI tạo ra tại Unite.AI, chuyên đưa tin về các công ty khởi nghiệp AI, vốn đầu tư mạo hiểm và các động lực tài trợ định hình thế hệ tiếp theo của các công ty công nghệ. Bản tin của anh tập trung vào đổi mới giai đoạn đầu, dòng vốn, và các quyết định chiến lược mà các nhà sáng lập và nhà đầu tư thực hiện khi các công ty AI mở rộng từ ý tưởng đến tác động toàn cầu.

Với góc nhìn chiến lược và phân tích, Evan xem xét các vòng tài trợ, vị trí thị trường và các xu hướng mới nổi trong hệ sinh thái khởi nghiệp AI. Anh theo dõi cách vốn đầu tư mạo hiểm, đầu tư doanh nghiệp và thị trường chứng khoán đại chúng giao thoa với những đột phá trong trí tuệ nhân tạo, tách biệt các tín hiệu bền vững khỏi sự thổi phồng ngắn hạn.

Các bài viết do Evan Mercer viết được tạo ra bởi AI và được đội ngũ biên tập của Unite.AI xem xét để đảm bảo độ chính xác, ngữ cảnh và việc đưa tin có trách nhiệm về bối cảnh đầu tư AI toàn cầu