NVIDIA Inception计划中的初创公司正在利用人工智能应对乳腺癌护理中的多个缺口，从筛查难以获得、放射科医生短缺，到用于选择治疗方案的检测结果出炉缓慢。在美国，每年约进行4000万次乳腺X线摄影检查；预计未来十年放射科医生短缺将进一步加重影像阅片和诊断体系的压力。
NVIDIA表示，所介绍的公司正在使用其计算基础设施，包括图形处理器、CUDA和MONAI，开发从自动化成像到病理切片分析以及临床和遗传数据整合的一系列工具。
更加一致且更贴近患者的成像
iSono Health正在开发ATUSA平台，这是一种获得FDA许可的可穿戴三维定量超声系统。该系统每侧乳房约两分钟即可采集标准化乳房体积，而传统手持超声检查最长可能需要45分钟。
该系统依靠人工智能实现图像采集自动化，并使用数千次完整检查进行训练，这些检查包含超过150万帧超声图像。公司表示，该系统的敏感性比二维手持超声高28%。统一成像方式还有助于比较年度检查结果，并减少与设备操作人员经验相关的差异。
ATUSA目前通过加利福尼亚州、得克萨斯州、佐治亚州、田纳西州和华盛顿特区的合作诊所进行商业化提供。iSono Health正在开展一项多中心研究，共有3200名患者参与，以验证该平台的性能；主要研究地点包括UC Davis和Vanderbilt University Medical Center。公司正致力于扩展工具功能，使其能够检测、分割和分类病灶，随后将三维超声与乳腺X线摄影、磁共振成像及临床信息整合起来。
减轻放射科医生的负担
Whiterabbit.ai正在开发WRDensity软件。这是一款获得FDA许可的工具，可根据乳腺X线摄影图像自动评估乳腺密度，已用于数十万名患者的护理。公司还提供WRRisk，用于支持临床决策并评估长期乳腺癌患病风险。
公司正在研究新一代乳腺X线摄影人工智能工具，旨在帮助放射科医生发现更多癌症，同时自动筛查未显示患病迹象的图像。其实际理念并非取代医生，而是减轻寻找罕见病例的任务；联合创始人兼首席技术官Jason Su表示，乳腺放射科医生试图从每200张乳腺X线摄影图像中找到大约1例癌症。
从图像到治疗决策
Ataraxis AI专注于诊断后的阶段，因为治疗决策可能需要组织学检测，而检测结果往往需要两到四周。该公司的模型分析数字病理切片和标准化临床变量，以预测肿瘤对治疗的反应以及复发风险。
其中一个模型预测术前化疗后肿瘤发生缩小的可能性；另一个模型则在术后评估患者五年内复发的风险以及化疗可能带来的益处。公司表示，这两个模型已在十多家机构和多项临床试验中完成验证，并已用于临床；它们可以在本地基础设施、外部数据中心或云端运行。
将数据整合为三维模型
SimBioSys正在开发精准医疗技术，用于创建乳腺肿瘤、血管和软组织的三维模型，以支持手术和治疗规划。公司还开发了一种癌症复发风险评估工具，该工具依据磁共振成像的体积数据、病理学结果和临床数据进行评估。
最重要的变化在于整合多种数据，而不是单独分析每一种数据来源。不过，文中本身也指出了一个根本性限制：所提到的部分技术仍处于研究阶段，尚未获得FDA商业使用批准。此外，在广泛推广这些工具之前，正在进行的研究结果和临床验证仍将是关键因素，尤其是在预测结果会直接影响治疗决策的情况下。
为什么这则消息很重要？
这些应用表明，人工智能在乳腺癌领域的实际价值并不局限于发现异常图像，还延伸到提高成像的可重复性、进行风险分层，以及加快治疗决策前数据的分析。然而，临床应用并不只由人工智能模型的速度决定；监管许可、多机构验证，以及模型对不同患者群体的预测准确性，都是仍待回答的问题。