Två NVIDIA Inception-startups, iSono Health och Whiterabbit.ai, lanserar FDA-godkända AI-verktyg för bröstcancerscreening och riskbedömning, i syfte att lätta på en screeningsflaskhals som snart kommer att förvärras. En beräknad brist på tiotusentals radiologer under det kommande decenniet pressar systemets kapacitet att tolka mammografier, samtidigt som cirka 40 miljoner utförs i USA varje år. Båda företagen förlitar sig på NVIDIAs AI-infrastruktur för att snabba upp sina processer.
ATUSAs tvåminutersscanning
ISono Healths ATUSA-plattform fångar en standardiserad bröstvolym på ungefär två minuter per bröst. Ett konventionellt handhållet ultraljud kan ta upp till 45 minuter. Företagets AI är tränad på tusentals helbröstscanningar – över 1,5 miljoner ultraljudsbildrutor – och använder NVIDIA GPU-acceleration plus öppen källkod för medicinsk bildbehandling för att producera en 3D-scanning. iSono uppger att scanningen är 28 % känsligare än ett handhållet 2D-ultraljud.
📊 Marknadsdataöversikt
ATUSA är kommersiellt tillgängligt via partnerkliniker i Kalifornien, Texas, Georgia, Tennessee och Washington D.C. En multicenter klinisk studie med 3 200 patienter pågår, ledd av forskningsplatser vid UC Davis och Vanderbilt University Medical Center. Neda Razavi, iSonos vd, har tidigare pekat på tillgångsklyftor som en central drivkraft för plattformen.
Whiterabbits satsning på densitet och risk
Whiterabbit.ais FDA-godkända programvara WRDensity bedömer automatiskt brösttäthet från mammografier och har använts i vården av hundratusentals patienter. Företaget har också utvecklat WRRisk, ett kliniskt beslutsstödverktyg som uppskattar en patients långsiktiga risk att utveckla bröstcancer.
Jason Su, Whiterabbits vd, har sagt att målet är att fånga risker tidigare. Företaget tränar sina AI-modeller på ett kluster av NVIDIA-GPU:er som finns vid Washington University i St. Louis, kompletterat med extra GPU-kapacitet i molnet. Inferens körs på NVIDIA-GPU:er som distribueras direkt i kliniken – en uppsättning som håller data lokalt och latensen låg.
Screeningsgapet som ingen av verktygen löser ensam
Bröstcancer är den vanligast diagnostiserade cancerformen bland amerikanska kvinnor. Majoriteten av kvinnor över 40 hoppar över den rekommenderade årliga screeningen. Snabbare, billigare bildbehandling kan hjälpa, men användningen beror på klinikernas ekonomi och patienternas följsamhet. Radiologbristen är den svårare begränsningen: AI kan triagera och prioritera, men någon måste fortfarande godkänna resultaten.
Vad FDA-godkännandena signalerar
FDA har godkänt både ATUSA och WRDensity, vilket har betydelse bortom dessa två produkter. Det sätter en prejudikat för godkännande av AI-baserade medicintekniska produkter som förlitar sig på GPU-accelererad inferens, och det höjer valideringsribban för alla som hävdar klinisk nytta. För krypto-AI-projekt som antyder medicinska användningsfall utan multicenterstudier eller verkliga patientdata är den ribban nu synligt högre. Myndigheten har inte meddelat några tillsynsåtgärder mot krypto-AI-tokens, och det finns inga indikationer på att man planerar några. Men kontrasten mellan iSonos studie med 3 200 patienter och den typiska vitboken för AI-tokens är svår att missa.
ISonos multicenterstudie är nästa konkreta milstolpe att hålla ögonen på. Resultaten från UC Davis- och Vanderbilt-platserna kommer att avgöra om fördelen med 28 % högre känslighet håller i en bredare patientpopulation – och om betalare börjar behandla tvåminuters bröstultraljud som ett standardalternativ snarare än ett boutique-alternativ.
