📢 转载信息
原文作者：Rebecca Bellan
如果你曾经做过一次PET扫描，你就会知道这是一种折磨。这些扫描有助于医生检测癌症并追踪其扩散情况，但这个过程本身对患者来说是一场后勤噩梦。
它始于在到达医院前禁食四到六小时——如果你住在农村地区，而且你当地的医院没有PET扫描仪，那你就更倒霉了。当你到达医院后，会被注射放射性物质，之后必须等待一小时，让它在体内扩散。接下来，你进入PET扫描仪，必须努力保持身体静止30分钟，同时放射科医生采集图像。之后，由于你实际上是半放射性的，你必须在长达12小时内与老年人、年轻人和孕妇保持物理隔离。
另一个瓶颈是什么？PET扫描仪集中在大城市，因为它们的放射性示踪剂必须在附近的回旋加速器（紧凑型核设备）中生产，并在几小时内使用完毕，这限制了农村和地区医院的接入。
但如果能利用AI将更容易获取且更经济实惠的CT扫描转换为PET扫描呢？这就是RADiCAIT的理念，这是一家于本月从牛津大学剥离出来的初创公司，并获得了170万美元的预种子轮融资。这家总部位于波士顿的初创公司是TechCrunch Disrupt 2025上Startup Battlefield的前20强决赛选手，现已启动500万美元的融资，以推进其临床试验。
RADiCAIT的首席执行官肖恩·沃尔什（Sean Walsh）告诉TechCrunch：“我们所做的，就是将放射学中最受限制、最复杂、成本最高的医疗成像解决方案，用最易于获取、最简单、最经济实惠的CT取而代之。”
RADiCAIT的秘诀在于其基础模型——这是由公司联合创始人兼首席医疗信息官Regent Lee领导的团队于2021年在牛津大学发明的生成式深度神经网络。
该模型通过比较CT和PET扫描、将它们映射，并找出它们之间相互关联的模式来进行学习。RADiCAIT的首席技术专家Sina Shahandeh将其描述为连接“不同的物理现象”，即将解剖结构转换为生理功能。然后，模型被指导对扫描的特定特征或方面给予额外的关注，例如某些类型的组织或异常。这种集中的学习会用许多不同的例子重复多次，因此模型可以识别出哪些模式在临床上是重要的。
最终提交给医生审查的图像是通过组合多个协同工作的模型创建的。Shahandeh将这种方法与Google DeepMind的AlphaFold进行了比较，后者是彻底改变蛋白质结构预测的AI。这两种系统都学习将一种生物信息转化为另一种信息。
沃尔什声称，RADiCAIT的团队可以从数学上证明，他们合成或生成的PET图像在统计学上与真实的化学PET扫描相似。
“这就是我们的试验所表明的，”他说，“当医生、放射科医生或肿瘤学家看到化学PET或[我们AI生成的PET]时，所做的决策质量是相同的。”
RADiCAIT并不承诺在某些特定的治疗环境中（例如杀死癌细胞的放射性配体疗法）取代PET扫描的必要性。但对于诊断、分期和监测目的而言，RADiCAIT的技术可能会使PET扫描变得过时。
沃尔什在谈到治疗诊断学（一种结合诊断成像（即PET扫描）与靶向疗法来治疗疾病（即癌症）的医疗方法）时说：“由于这是一个高度受限的系统，所以没有足够的能力来满足诊断和治疗诊断的需求。”他补充道，“因此，我们希望在诊断方面吸收这些需求。PET扫描仪本身应该在治疗诊断方面分担压力。”
RADiCAIT已经开始针对肺癌测试进行临床试验，合作的医疗系统包括麻省总医院（Mass General Brigham）和加州大学旧金山分校健康中心（UCSF Health）。该初创公司目前正在寻求FDA临床试验——这是一个更昂贵、更复杂的过程，这也是RADiCAIT正在推动500万美元种子轮融资的原因。一旦获得批准，下一步将是进行商业试点并证明产品的商业可行性。RADiCAIT还希望对结直肠癌和淋巴瘤的用途重复这个过程——临床试点、临床试验、商业试点。
Shahandeh表示，RADiCAIT利用AI在没有困难和昂贵检测负担的情况下得出有效见解的方法具有“广泛的适用性”。
“我们正在探索向放射学其他领域的延伸，”Shahandeh补充道。“可以期待看到类似的创新，将材料科学、生物学、化学和物理学等领域联系起来，无论自然界中隐藏的关系在哪里可以被学习到。”
如果你想在Disrupt（10月27日至29日，旧金山）上了解更多关于RADiCAIT的信息，请加入我们。在此处了解更多信息。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区