NVIDIA孵化企业用AI攻克乳腺癌诊疗缺口

AI正在从乳腺癌筛查、风险评估到治疗决策的每一个环节切入，试图弥合美国乳腺癌护理体系中最致命的几道裂缝——而英伟达的Inception创业加速计划，正在成为这批公司共同的算力底座。

乳腺癌是美国女性中最常见的癌症诊断，但护理链条上的断裂触目惊心。40岁以上女性中，大多数人没有坚持每年一次的推荐筛查。放射科医生数量在缩减，却要读越来越多的乳腺钼靶片。而一旦确诊，决定治疗方案的检测往往要等上数周才能出结果。这三个摩擦点——影像、风险评估、治疗规划——恰好构成了AI介入的完整战场。

筛查端：把超声从“手艺活”变成标准化流程

每年美国约有4000万次乳腺钼靶检查，但未来十年预计将出现数万名放射科医生的缺口，系统读取影像的能力正在被挤压。对于找不到时间或附近没有筛查点的女性来说，可及性本身就是一道实实在在的障碍，直接转化为漏诊。

英伟达Inception成员 iSono Health 正是围绕简化影像工作流来构建的。其获得FDA clearance的 ATUSA 平台是一套可穿戴、自动化的 3D定量超声系统，每侧乳房约两分钟即可完成标准化体积采集，而传统手持超声最多需要45分钟。该系统AI在数千例全乳扫描、超过150万帧超声图像上训练，自动化图像采集过程。它使用 NVIDIA GPU加速 和开源医学影像技术，输出3D扫描，公司称其敏感度比手持2D超声高出28%。

手持超声高度依赖操作者手法，因此女性每年的扫描结果通常无法进行纵向对比。

ATUSA每次都以相同方式采集全乳图像，创建可重复的乳腺组织视图，帮助临床医生分析患者组织在连续扫描间的变化，同时减少操作误差和变异性。ATUSA已通过合作诊所在加州、得州、佐治亚州、田纳西州和华盛顿特区商业化落地，新站点持续上线。

iSono Health CEO Neda Razavi 表示：“把扫描带到患者身边是第一个突破。我们的愿景是让扫描信息量越来越大：帮助临床医生看到有什么、理解什么变了、做出更明智的决策。”该公司已开发出病灶检测、3D分割和病灶分类的AI能力，下一步计划将AI管线扩展到涵盖3D超声、钼靶、MRI和临床信息的多模态诊断智能。一项纳入3200名患者的多中心临床研究正在进行中，牵头研究中心包括 UC Davis 和 Vanderbilt University Medical Center。

读片端：在干草堆里找针，AI当“副手”

另一家英伟达Inception公司 Whiterabbit.ai 开发乳腺癌筛查AI技术。其获得FDA clearance的 WRDensity 软件可从钼靶图像自动评估乳腺密度，已用于数十万患者的护理。该公司还开发了 WRRisk，一款用于估算患者长期乳腺癌风险的临床决策支持软件，并正在研究新一代钼靶AI，帮助放射科医生发现更多癌症，同时自动化筛查阴性钼靶片。

目标很明确：减轻不堪重负的放射科医生队伍的负担，加速出结果，减少患者不必要的召回，降低下游医疗成本。

Whiterabbit.ai联合创始人兼CTO Jason Su 说：“每天，乳腺放射科医生都面临大海捞针的问题，大约每200张钼靶片里找约一个癌症。我们希望AI能成为放射科医生的强大副手，帮忙清走干草，让他们把专业能力集中在最关键的地方。”

Whiterabbit在圣路易斯华盛顿大学的一簇NVIDIA GPU上训练AI模型，辅以云端额外GPU容量。推理则直接在诊所内部署的NVIDIA GPU上运行。

治疗端：用数字病理预测哪种疗法有效

患者确诊乳腺癌后，下一个问题是怎么办——答案取决于预测癌症对治疗的反应。目前这些预测的范围和准确性有限，且通常需要单独的组织活检，等待两到四周。

Ataraxis AI 正在构建临床智能，利用数字数据预测患者结局和对不同疗法的反应，包括已经属于标准检查流程的病理切片。其AI模型分析数字病理切片和标准临床变量，预测治疗反应和复发风险。一个模型预测术前化疗是否可能将患者肿瘤缩小到产生应答的程度；术后另一个模型估算患者五年复发风险和化疗作为下一步治疗的潜在获益。两个模型已在超过10家机构和多项临床试验中得到验证，并处于活跃临床使用中。它们运行在本地、异地数据中心和云端的NVIDIA GPU上，全程使用 PyTorch 并由 NVIDIA CUDA 加速。

Ataraxis AI技术团队成员 Joseph Cappadona 指出：“肿瘤科医生今天依赖的指导治疗决策的工具，大多是15年前训练一次后就再也没更新过。我们的模型每获得更多临床试验数据就会变得更强。但随着模型规模扩大，更大的转变是能够回答更多问题，帮助肿瘤科医生在所有癌症类型中实现个性化治疗。”

手术规划端：3D可视化让肿瘤“看得见摸得着”

另一家英伟达Inception公司 SimBioSys 近期参加了英伟达纪念乳腺癌宣传月的专题讨论。该公司构建AI驱动的精准医疗技术，创建乳腺肿瘤、静脉和其他软组织的精确3D模型，提供重要洞察以指导手术并影响治疗方案。它还构建了一款工具，基于患者乳腺MRI的3D体积数据、肿瘤病理和临床数据来估算乳腺癌复发风险。

SimBioSys CEO Stacey Stevens 在活动上表示：“我们正在构建一个平台，使我们能够获取多模态数据——影像检查、病理结果、适用时的基因组检测和其他生物学输入——并利用AI将这一切整合在一起。当我们做到这一点时，它产生的洞察超越了任何单一数据源所能提供的。”

所以呢：算力正在成为精准肿瘤学的隐形基础设施

把这四家公司放在一起看，一条清晰的逻辑浮现出来：乳腺癌护理的每一个瓶颈——筛查可及性、读片人力、治疗预测延迟——本质上都是数据吞吐和模式识别的问题。而英伟达Inception的角色远不止财务投资，它提供的是从训练到推理的完整GPU栈：Whiterabbit在大学集群训练、诊所GPU推理；Ataraxis在本地、数据中心和云端三线部署；iSono Health用GPU加速和开源医学影像技术做3D重建。

当AI公司开始把“每200张钼靶片找1个癌症”当作可规模化的工程问题，而不是依赖个别放射科医生的经验时，整个筛查经济学的底层假设就在被改写。

对行业从业者而言，这意味着三件事。第一，影像AI的竞争焦点正在从算法精度转向工作流嵌入深度——ATUSA的28%敏感度提升固然重要，但真正改变游戏规则的是“每次扫描方式相同”带来的纵向可比性，这是手持超声永远做不到的。第二，治疗决策AI的数据飞轮效应开始显现——Ataraxis明确说“每获得更多临床试验数据模型就更强”，这与传统“15年前训练一次”的工具形成代际差距。第三，部署场景的碎片化要求算力方案必须灵活——没有哪家诊所会为了一个AI应用重建IT基础设施，所以本地GPU、云端、混合架构的适配能力，正在成为医疗AI商业化的隐性门槛。

乳腺癌只是切口。这套“筛查标准化→读片自动化→治疗预测数字化→手术规划3D化”的链条，可以平移到几乎所有实体瘤的护理路径上。英伟达在做的，是把GPU从训练场推进到诊室、手术室和病理科——当算力足够靠近患者时，精准肿瘤学才真正开始兑现它的承诺。