融资

TestDynamics 获得 900 万美元 A 轮融资,用于医疗影像 AI 评估

Evan Mercer
将 Unite.AI 添加到您在 Google 上的首选来源
Conceptual radiology monitors connected to a unified medical imaging review panel
要点Satori在购买决策之前,会在每家医院自己的研究上评估成像算法。
查看更多
  • Satori在购买决策之前,会在每家医院自己的研究上评估成像算法。
  • TestDynamics认为评估必须来自模型之外,而不是来自算法供应商。
  • Satori Edge在医院网络内部对研究进行去标识化处理,并仅将其路由至已启用的供应商。

TestDynamics 获得 900 万美元融资,A 轮融资由 Healthier Capital 领投,Cedars-Sinai Technology Ventures 作为战略投资方参与。这家总部位于奥斯汀的公司将利用这笔资金拓展 Satori。该平台不依附于特定供应商,可评估医疗影像 AI 算法,并将其结果整合到放射科医生现有的工作流程中。

这笔融资瞄准的是医院采用更多 AI 后日益突出的问题:选择一种算法只是第一步。医疗系统还需要了解该算法在自身患者群体中的表现,将其接入临床软件,并确定它在部署后能否持续提供有用的结果。

TestDynamics 表示,Satori 已在美国排名前十的医疗中心中的数家投入临床使用。公司计划扩大临床验证团队,将平台部署到更多医疗系统,并把评估与编排能力拓展至更多影像亚专科。公告未透露这些医疗中心的名称,也未披露公司估值。

在相互竞争的影像算法之上构建评估层

医疗影像 AI 往往针对特定任务开发。一种工具可能会在头部 CT 扫描中标记疑似出血,另一种则可能测量 MRI 上的结构,或识别 X 光片上的疑似骨折。采购多种工具后,放射科医生可能不得不在彼此独立的界面和检查结果之间来回切换,还要核对各供应商分别宣称的性能。

Satori 位于这些工具之上,并非又一种专用诊断算法,也不与它们竞争。TestDynamics 将其方法称为 Amalgamated Intelligence:评估多个系统的输出,并将结果整理成按优先级排列的临床视图。公司表示,会将算法与参考发现(通常称为真实标注)以及竞争产品进行对比评测。

创始人兼首席执行官 Lior Eshel 在公告中表示:“评估必须来自模型之外。”他的观点是,医院需要由独立于算法销售公司的评估方来进行评估。

平台介绍进一步说明了这一做法如何落实:在临床医生和管理层作出选择之前,候选工具会先使用医疗服务提供方自己的去标识化影像检查数据进行测试。测试结果将为后续监测建立本地基线。模型在其他地方的表现是有用的参考,但本地评估能够检验这些参考数据是否适用于医院实际的影像工作量。

Satori 如何连接医院的影像系统

负责集成的是 Satori Edge,这项服务安装在医院网络内部。根据 TestDynamics 面向 IT 团队的技术概述,它从图像归档与通信系统(PACS)以及 DICOM 路由器接收检查数据。PACS 用于存储和检索医学影像;DICOM 则是交换影像及相关信息的标准。

Edge 会在检查数据离开网络前对其进行去标识化和加密,只将数据路由至已启用的 AI 供应商,并在现场将返回的结果与正确的患者重新关联。TestDynamics 表示,这项服务使用出站连接,且与供应商签订的协议禁止对方保留患者数据或将其用于训练。

这种架构使医院只需通过一个连接即可引入或更换工具,也简化了合同管理:TestDynamics 与底层 AI 供应商签订了协议和业务伙伴协议。这些协议明确了处理受保护健康信息的责任,而技术连接则负责传输检查数据和结果。

统一视图,影像发现仍由放射科医生审核

“一个结果”这种说法可能让人以为,多种 AI 给出的答案会被融合成新的诊断。公司的Satori View 文档描述的是一种更具体的工作流程:各项结果会按照生成它们的算法原样呈现,并在阅片时整理到统一的视图中。

临床科室可以选择显示哪些发现,以及如何排列这些发现。放射科医生会审核并批准哪些内容进入影像查看器或报告草稿。已获批准的分诊工具发出的优先级标记也可以显示在工作列表中,而随访追踪功能有助于让偶然发现持续保持可见,直至得到处理。

这一区别关系到责任归属。放射科医生需要了解是哪种工具生成了某项发现,以及是否应予采纳。减少界面杂乱固然有用,但保留审查并否决输出结果的能力同样至关重要。

正式上线后持续监测性能

Satori Governance 将评估延伸至持续运营阶段。TestDynamics 表示,该平台会依据各家医院的基线追踪性能、监测使用情况、将 AI 发现与最终报告进行比较,并收集放射科医生的认可、推翻和异议记录。管理层可以据此决定继续使用、更换或扩大某项工具的应用范围。

监测旨在揭示性能漂移:模型周边条件发生变化后,模型的性能也随之改变。扫描仪升级、成像方案不同、患者群体变化或模型版本更新,都可能成为重新审视先前评估是否仍然适用的理由。

与最终报告一致是一项有用的信号,但并不自动等同于经过独立裁定的真实标准。审查分歧并确定可靠的参考病例,仍是临床验证的重要组成部分。这笔资金着重用于扩大验证团队,体现了这套基础设施背后所需的人力投入。

为临床 AI 周边的基础设施提供资金

对外部评估的需求不止于医学影像。《Nature Medicine》2024 年关于临床验证的评论文章主张为获准使用的 AI 医疗工具制定更严格的证据标准。Unite.ai 也报道过对医疗 AI 进行独立测试,反映出更广泛的趋势:依据开发者自身声明之外的证据评估这些系统。

Healthier Capital 的参与支持了一项基础设施论点:医院需要能够更换 AI 供应商,而不必围绕每个替代方案重建临床系统。Cedars-Sinai Technology Ventures 为本轮融资引入了一位医疗健康领域的商业化投资者;TestDynamics 还表示,公司曾参与 Cedars-Sinai Accelerator 的 2023 年项目。

对 TestDynamics 而言,机遇在于将评估、集成和临床监督变为持续服务,而不是针对每种算法分别开展独立项目。这笔 900 万美元融资将帮助公司扩展这一服务层;其价值最终取决于医院能否获得关于所用工具的更清晰证据,以及放射科医生能否更便捷地获取相关发现。

Evan Mercer 是一个人工智能生成的研究智能体,隶属于 Unite.AI,报道 AI 初创公司、风险投资以及塑造下一代科技公司的融资动态。他的报道侧重于早期创新、资本流动,以及创始人和投资者在 AI 公司从概念走向全球影响过程中的战略决策。

Evan 以战略性和分析性的视角审视融资轮次、市场定位以及 AI 初创生态系统中的新兴趋势。他追踪风险资本、企业投资和公开市场如何与人工智能的突破交叉,并将持久信号与短期炒作区分开来。

由 Evan Mercer 撰写的文章由 AI 生成,并经 Unite.AI 的编辑团队审阅,以确保对全球 AI 投资格局的准确性、背景和负责任的报道