从扫描到治疗方案：NVIDIA Inception 初创企业用 AI 补上乳腺癌诊疗的关键缺口

2026年10月5日，英伟达在官方博客发布文章，介绍 NVIDIA Inception 初创企业计划中的三家公司如何用 AI 覆盖乳腺癌诊疗链条的不同环节：影像采集、风险评估与治疗决策。文章的出发点是一组直白的缺口：乳腺癌是美国女性中最常被诊断的癌症，但超过四成的40岁以上女性没有按建议每年筛查；放射科医生要读的乳腺 X 线片越来越多，同事却越来越少；确诊之后，决定治疗方案的检测又常常要等上数周。 先看规模。文章给出的数字是，美国每年约进行4000万次乳腺 X 线检查，而未来十年预计将缺少数以万计的放射科医生。需求端稳定增长，供给端收缩，读片能力因此成为瓶颈。在时间线的另一端，治疗决策往往依赖送往外部实验室的基因组检测，耗时数周，而此刻恰恰是速度与确定性最重要的时候。三家公司分别切入这条链条的前端、中段与后端，所有模型都由英伟达的 AI 基础设施加速。 第一家是 iSono Health，切入点是影像采集本身。它的 ATUSA 平台获得美国 FDA 许可，是一套可穿戴、自动化的三维定量超声系统，每侧乳房约两分钟即可采集一个标准化的乳腺体积，而传统手持超声最长可达45分钟。其 AI 在数千例全乳扫描上训练，涵盖超过150万帧超声图像，用来自动完成图像采集。系统使用英伟达 GPU 加速和开源医学影像技术，据公司称，生成的三维扫描比手持二维超声的灵敏度高28%。这个数字来自公司自述，文章并未给出对应的研究设计，读者应当把它视为待验证的厂商声明。

技术上更有意思的是“可重复性”。手持超声取决于握探头的人，因此一位女性相隔一年的两次扫描通常无法直接比较。ATUSA 每次都以同样方式捕获整个乳腺，形成可重复的组织视图，临床医生可以据此分析同一位患者的组织在连续几次扫描之间发生了什么变化，同时减少操作者带来的误差与差异。目前该设备已通过合作诊所在加利福尼亚、得克萨斯、佐治亚、田纳西和华盛顿特区提供，新站点陆续上线。公司 CEO Neda Razavi 表示，把扫描设备送到患者身边是第一个突破，下一步要让扫描越来越有信息量。 iSono 已开发出病灶检测、三维分割和病灶分类能力，下一步计划把 AI 管线扩展到横跨三维超声、乳腺 X 线、磁共振和临床信息的多模态诊断智能。一项覆盖3200名患者的多中心临床研究正在进行，主要研究站点包括加州大学戴维斯分校和范德堡大学医学中心。对医疗 AI 而言，这类前瞻性多中心数据，比单中心回顾性结果更能说明模型在真实人群中的表现。 第二家是 Whiterabbit.ai，聚焦筛查环节。其获 FDA 许可的 WRDensity 软件能从乳腺 X 线片自动评估乳腺密度，已用于数十万名患者的诊疗。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，并在研究新一代乳腺 X 线 AI，目标是帮助放射科医生发现更多癌症，同时自动化筛掉阴性片。公司希望以此减轻紧张的放射科人力负担、加快出结果、减少不必要的复查召回，并降低下游医疗成本。联合创始人兼 CTO Jason Su 打了个比方：放射科医生每天要在大海捞针，大约每200例乳腺 X 线片才有一例癌症，他们希望 AI 成为得力助手，拨开干草，让专家把精力放在最要紧的地方。

在算力部署上，Whiterabbit 的做法值得注意：训练使用位于圣路易斯华盛顿大学的英伟达 GPU 集群，并辅以云端的额外 GPU 容量；推理则直接运行在诊所现场部署的英伟达 GPU 上。训练集中、推理下沉到临床现场，既能处理影像这类体量大、对隐私敏感的数据，又能把延迟压在工作流可接受的范围内。这也是医疗 AI 落地时常见的架构取舍。 第三家是 Ataraxis AI，处在治疗预测的后端。确诊之后的问题是怎么治，而答案取决于预测癌症对治疗的反应。文章指出，现有预测在范围和准确度上都有限，往往还需要另做一次组织活检，等待两到四周。Ataraxis 的思路是利用数字数据，包括本来就属于常规检查的病理切片，预测患者的预后和对不同疗法的反应。其模型解读病理切片中的模式，并学习把这些模式的差异与复发风险和化疗敏感性联系起来。该公司的技术人员 Joseph Cappadona 说，今天肿瘤科医生依赖的工具大多十五年前训练一次后就没再更新，而他们的模型每获得更多临床试验数据就变得更强。 具体到产品，Ataraxis 的模型分析数字病理切片和标准临床变量，预测治疗反应与复发风险。一个模型预测术前化疗是否可能让肿瘤缩小到有反应的程度；手术之后，另一个模型估算患者的五年复发风险，以及化疗作为下一步的可能获益。文章称两个模型已在10多家机构和多项临床试验中验证，并已投入实际临床使用，运行环境包括本地部署、异地数据中心和云端，基于 PyTorch 并由英伟达 GPU 加速。 对 AI 开发者和医疗机构来说，这篇文章的价值不在某个单点指标，而在一条清晰的分工线：前端用自动化硬件降低采集门槛，中段用软件减少读片负担与误召回，后端用已有的病理数据代替额外检测。三者共同的特点是不要求患者多做一件事，而是在既有流程里挤出时间。需要提醒的是，这是英伟达自家博客对其 Inception 成员的介绍，带有明显的推广性质；所列性能数字多为公司自述，独立同行评审的证据文章里并未展示。 展望未来，挑战同样具体。多模态整合需要跨设备、跨机构的数据治理；监管层面，每一个新增的 AI 功能都可能需要新的许可；在临床上，减少召回与漏诊的真实收益，要靠前瞻性研究和长期随访来证明。对产业而言，英伟达通过 Inception 把 GPU、软件栈与垂直领域初创公司绑定在一起，医疗影像和数字病理正是这种模式最容易落地的场景之一。值得持续关注的是 iSono 的3200人研究结果，以及 Ataraxis 这类模型能否在更多癌种上复现其表现。