AI赋能乳腺癌诊疗全流程：从自动化成像到精准治疗预测

事件概述

美国每年进行约4,000万次乳腺X线摄影（mammograms），但面临放射科医生短缺的严峻挑战，且多数40岁以上女性未能按时接受年度筛查。此外，确诊后等待基因检测和治疗方案需数周时间，延误了最佳干预时机。NVIDIA Inception计划下的初创公司正在利用AI基础设施，针对乳腺癌护理流程中的影像、风险评估和治疗决策三个关键环节提供解决方案。

核心技术与应用

1. 自动化影像获取：提升效率与一致性

iSono Health 开发了获FDA批准的 ATUSA平台，这是一种可穿戴式自动化3D定量超声系统。

• 技术优势：相比传统手持超声需45分钟，ATUSA可在每侧乳房约2分钟内完成标准化体积扫描。其AI模型基于超过150万帧超声图像训练，利用NVIDIA GPU加速，据称比手持2D超声敏感度高出28%。
• 临床价值：解决了操作者依赖性导致的前后扫描不可比问题，提供可重复的组织视图，有助于分析组织变化并减少人为误差。
• 进展：已在加州、德克萨斯州等地合作诊所商业化部署，并与UC Davis及范德堡大学医学中心开展包含3,200名患者的多中心临床研究，未来计划扩展至多模态诊断智能。

2. 筛查辅助：降低假阳性与医生负担

Whiterabbit.ai 专注于乳腺X线摄影的AI辅助筛查。

• WRDensity软件：已获FDA批准，可自动评估乳腺密度，服务于数十万患者。
• WRRisk工具：用于估算患者长期患癌风险。
• 研发方向：正在开发新一代AI模型，旨在帮助放射科医生在海量阴性筛查中识别癌症，同时自动化处理阴性结果，以缓解“大海捞针”式的工作压力，减少不必要的召回和下游医疗成本。
• 基础设施：模型训练依托华盛顿大学圣路易斯分校的NVIDIA GPU集群及云端算力，推理则在诊所本地GPU上运行。

3. 治疗预测：基于数字病理的个性化方案

Ataraxis AI 利用数字病理切片数据预测治疗反应和复发风险，替代耗时2-4周的体外实验室检测。

• 模型能力：AI模型分析病理切片中的颜色编码聚类模式，关联复发风险和化疗敏感性。现有模型包括：
  • 预测术前化疗是否能使肿瘤缩小至手术响应标准。
  • 估算术后五年复发风险及后续化疗获益。
• 验证情况：模型已在超过10家机构和多个临床试验中验证，并处于活跃临床使用状态。
• 技术栈：基于PyTorch和NVIDIA CUDA加速，部署于本地服务器、离线数据中心及云端。

4. 3D可视化与多学科数据整合

SimBioSys 构建AI驱动的精准医疗技术，生成乳腺肿瘤、静脉等软组织的精确3D模型。

• 功能：结合MRI、病理和基因组学等多模态数据，为手术规划和治疗决策提供洞察；同时基于3D体积数据估算复发风险。
• 技术实现：使用NVIDIA MONAI进行训练和数据验证，利用cuBLAS和MONAI Deploy库加速图像处理，运行于云端NVIDIA GPU。
• 核心价值：通过快速整合和分析大量图像数据，为患者和医生提供即时答案，避免数天或数周的等待。

值得关注

上述技术均依赖于NVIDIA GPU提供的计算加速能力，体现了AI在医疗领域从单一任务向多模态、全流程整合发展的趋势。尽管部分技术仍处于调查性研究阶段或未获FDA商业批准，但其展现出的在缩短诊断周期、提高检测灵敏度和个性化治疗方面的潜力，正逐步改变乳腺癌的临床护理范式。