從掃描到治療方案：NVIDIA Inception 初創企業用 AI 補上乳腺癌診療的關鍵缺口

2026年10月5日，英偉達在官方部落格釋出文章，介紹 NVIDIA Inception 初創企業計劃中的三家公司如何用 AI 覆蓋乳腺癌診療鏈條的不同環節：影像採集、風險評估與治療決策。文章的出發點是一組直白的缺口：乳腺癌是美國女性中最常被診斷的癌症，但超過四成的40歲以上女性沒有按建議每年篩查；放射科醫生要讀的乳腺 X 線片越來越多，同事卻越來越少；確診之後，決定治療方案的檢測又常常要等上數週。 先看規模。文章給出的數字是，美國每年約進行4000萬次乳腺 X 線檢查，而未來十年預計將缺少數以萬計的放射科醫生。需求端穩定增長，供給端收縮，讀片能力因此成為瓶頸。在時間線的另一端，治療決策往往依賴送往外部實驗室的基因組檢測，耗時數週，而此刻恰恰是速度與確定性最重要的時候。三家公司分別切入這條鏈條的前端、中段與後端，所有模型都由英偉達的 AI 基礎設施加速。 第一家是 iSono Health，切入點是影像採集本身。它的 ATUSA 平臺獲得美國 FDA 許可，是一套可穿戴、自動化的三維定量超聲系統，每側乳房約兩分鐘即可採集一個標準化的乳腺體積，而傳統手持超聲最長可達45分鐘。其 AI 在數千例全乳掃描上訓練，涵蓋超過150萬幀超聲影象，用來自動完成影象採集。系統使用英偉達 GPU 加速和開源醫學影像技術，據公司稱，生成的三維掃描比手持二維超聲的靈敏度高28%。這個數字來自公司自述，文章並未給出對應的研究設計，讀者應當把它視為待驗證的廠商宣告。

技術上更有意思的是“可重複性”。手持超聲取決於握探頭的人，因此一位女性相隔一年的兩次掃描通常無法直接比較。ATUSA 每次都以同樣方式捕獲整個乳腺，形成可重複的組織檢視，臨床醫生可以據此分析同一位患者的組織在連續幾次掃描之間發生了什麼變化，同時減少操作者帶來的誤差與差異。目前該裝置已透過合作診所在加利福尼亞、得克薩斯、佐治亞、田納西和華盛頓特區提供，新站點陸續上線。公司 CEO Neda Razavi 表示，把掃描裝置送到患者身邊是第一個突破，下一步要讓掃描越來越有資訊量。 iSono 已開發出病灶檢測、三維分割和病灶分類能力，下一步計劃把 AI 管線擴充套件到橫跨三維超聲、乳腺 X 線、磁共振和臨床資訊的多模態診斷智慧。一項覆蓋3200名患者的多中心臨床研究正在進行，主要研究站點包括加州大學戴維斯分校和範德堡大學醫學中心。對醫療 AI 而言，這類前瞻性多中心資料，比單中心回顧性結果更能說明模型在真實人群中的表現。 第二家是 Whiterabbit.ai，聚焦篩查環節。其獲 FDA 許可的 WRDensity 軟體能從乳腺 X 線片自動評估乳腺密度，已用於數十萬名患者的診療。公司還開發了 WRRisk，一款用於估算患者長期乳腺癌風險的臨床決策支援軟體，並在研究新一代乳腺 X 線 AI，目標是幫助放射科醫生髮現更多癌症，同時自動化篩掉陰性片。公司希望以此減輕緊張的放射科人力負擔、加快出結果、減少不必要的複查召回，並降低下游醫療成本。聯合創始人兼 CTO Jason Su 打了個比方：放射科醫生每天要在大海撈針，大約每200例乳腺 X 線片才有一例癌症，他們希望 AI 成為得力助手，撥開乾草，讓專家把精力放在最要緊的地方。

在算力部署上，Whiterabbit 的做法值得注意：訓練使用位於聖路易斯華盛頓大學的英偉達 GPU 叢集，並輔以雲端的額外 GPU 容量；推理則直接執行在診所現場部署的英偉達 GPU 上。訓練集中、推理下沉到臨床現場，既能處理影像這類體量大、對隱私敏感的資料，又能把延遲壓在工作流可接受的範圍內。這也是醫療 AI 落地時常見的架構取捨。 第三家是 Ataraxis AI，處在治療預測的後端。確診之後的問題是怎麼治，而答案取決於預測癌症對治療的反應。文章指出，現有預測在範圍和準確度上都有限，往往還需要另做一次組織活檢，等待兩到四周。Ataraxis 的思路是利用數字資料，包括本來就屬於常規檢查的病理切片，預測患者的預後和對不同療法的反應。其模型解讀病理切片中的模式，並學習把這些模式的差異與復發風險和化療敏感性聯絡起來。該公司的技術人員 Joseph Cappadona 說，今天腫瘤科醫生依賴的工具大多十五年前訓練一次後就沒再更新，而他們的模型每獲得更多臨床試驗資料就變得更強。 具體到產品，Ataraxis 的模型分析數字病理切片和標準臨床變數，預測治療反應與復發風險。一個模型預測術前化療是否可能讓腫瘤縮小到有反應的程度；手術之後，另一個模型估算患者的五年復發風險，以及化療作為下一步的可能獲益。文章稱兩個模型已在10多家機構和多項臨床試驗中驗證，並已投入實際臨床使用，執行環境包括本地部署、異地資料中心和雲端，基於 PyTorch 並由英偉達 GPU 加速。 對 AI 開發者和醫療機構來說，這篇文章的價值不在某個單點指標，而在一條清晰的分工線：前端用自動化硬體降低採集門檻，中段用軟體減少讀片負擔與誤召回，後端用已有的病理資料代替額外檢測。三者共同的特點是不要求患者多做一件事，而是在既有流程裡擠出時間。需要提醒的是，這是英偉達自家部落格對其 Inception 成員的介紹，帶有明顯的推廣性質；所列效能數字多為公司自述，獨立同行評審的證據文章裡並未展示。 展望未來，挑戰同樣具體。多模態整合需要跨裝置、跨機構的資料治理；監管層面，每一個新增的 AI 功能都可能需要新的許可；在臨床上，減少召回與漏診的真實收益，要靠前瞻性研究和長期隨訪來證明。對產業而言，英偉達透過 Inception 把 GPU、軟體棧與垂直領域初創公司繫結在一起，醫療影像和數字病理正是這種模式最容易落地的場景之一。值得持續關注的是 iSono 的3200人研究結果，以及 Ataraxis 這類模型能否在更多癌種上復現其表現。