乳腺癌是美国女性中最常见的癌症。2026年预计新增浸润性乳腺癌32.19万例，死亡4.21万例。但真正让肿瘤科医生夜不能寐的数字来自筛查端——MedStar Health最新全国调查显示，60%的40岁以上女性没有按美国放射学会建议每年做一次钼靶，其中21%称从未做过。另一边，放射科医生正面临前所未有的供需撕裂：全美每年约4000万次筛查性钼靶，影像检查需求以每年约5%的速度增长，而放射科医生数量增长仅约2%。AAMC预测到2033年将短缺1.7万到4.2万名放射科、病理科和精神科医生。而当一名患者终于拿到确诊报告时，决定治疗方案的基因组检测又需要2到4周才能出结果。
这就是乳腺癌诊疗链条上三个最致命的断点：筛查覆盖不足、读片人力短缺、治疗决策延迟。而NVIDIA Inception计划中的一批创业公司，正在用AI逐个击破它们。
筛查的“最后一公里”问题
60%的40岁以上女性跳过年度钼靶，最常给出的理由并非疼痛或费用。MedStar Health调查中排第一的原因是“过去做过，结果是正常的”——一种错误的安全感。还有18%的人表示“没有家族史所以不需要”，但绝大多数乳腺癌患者恰恰没有家族史。
补上筛查缺口，需要让检查本身“走到患者身边”。iSono Health的ATUSA系统提供了一个答案：这款FDA认证的可穿戴自动3D乳腺超声，单侧扫描仅需约2分钟，而传统手持超声需要长达45分钟。更关键的是，手持超声极度依赖操作者经验，不同年度的扫描结果几乎无法直接对比。ATUSA的自动化3D定量成像消除了这一变量，使每次扫描具有可比性。基于超过150万帧超声图像训练的AI，灵敏度比手持2D超声高出28%。
ATUSA已在加州、德州、佐治亚、田纳西和华盛顿特区的合作诊所商用落地。一项以UC Davis和范德比尔特大学医学中心为牵头单位的3200名患者多中心临床研究正在推进中。
iSono Health CEO Neda Razavi如此概括公司的愿景：“让扫描更靠近患者，这是第一个突破。我们的目标是让每次扫描都越来越有信息量——帮助医生看到那里有什么、了解发生了什么变化、做出更明智的决策。”
读片的“大海捞针”困境
即便患者做了钼靶，读片环节本身也在承受日益严重的人力瓶颈。放射科医生离职率从2014年的1.1%翻倍至2022年的2.5%，而影像检查量持续攀升。在约每200次筛查性钼靶中只有约1例癌症的背景下，放射科医生面对的是一个典型的“大海捞针”问题。
Whiterabbit.ai的WRDensity软件已获FDA 510(k)认证，能够自动从钼靶图像中评估乳腺密度——这一指标既是乳腺癌风险因素，也直接影响钼靶检测的灵敏度——已用于数十万患者的诊疗中。2023年，Whiterabbit成为首个登上美国放射学会AI-LAB平台的商业乳腺密度AI产品。搭配WRRisk风险评估软件，它正在构建从筛查到风险分层的完整AI链条。
圣路易斯华盛顿大学Mallinckrodt放射学研究所2026年发表的一项研究分析了超过21.4万次钼靶扫描，将Whiterabbit的AI模型与39名放射科医生进行对比，发现AI在81%的案例中保持了乳腺密度评估的一致性，而放射科医生只有57%。该研究的资深作者、放射学助理教授Aimilia Gastounioti认为，AI在纵向追踪方面的优势“对临床管理至关重要”。
Whiterabbit还在研发新一代AI——目标是帮助放射科医生在同样时间内发现更多癌症，同时自动筛除阴性样本、减少不必要的召回。联合创始人兼CTO Jason Su的表述很直白：“放射科医生每天都在大海捞针，我们希望AI能成为他们的强力助手，清除掉‘干草’，让他们把经验用在最重要的地方。”
治疗决策的“等待周期”
确诊之后，下一个问题是：该用什么方案？当前标准实践依赖于对活检组织的基因组检测，流程需要2到4周。对于一位刚拿到确诊报告的患者，每一天都是可能被浪费的治疗窗口。
Ataraxis AI的路径完全不同。其Ataraxis Breast平台利用患者的数字病理切片——这些切片在诊疗流程中已经生成——结合临床数据，用AI预测治疗应答概率和复发风险。平台在收到标本后1小时内即可出结果，且不需要额外活检。公司称其在临床验证中比当前标准方案准确30%。
2025年3月，Ataraxis AI完成2040万美元A轮融资，由AIX Ventures领投，Thiel Bio、Founders Fund、Floating Point、Bertelsmann Investments跟投。其联合创始人Jan Witowski（MD, PhD）和Krzysztof Geras（PhD，纽约大学AI研究员）于2023年从NYU拆分创立。
Ataraxis Breast能够回答三个临床核心问题：术前评估新辅助化疗能否将肿瘤缩小到可手术范围；术后估算5年复发风险；以及评估化疗作为后续手段的可能获益。由于它不需要额外活检、不需要额外等待2到4周，这就意味着患者在拿到确诊报告的同时就能获得治疗方案的智能预测参考。
Yann LeCun的评价是：“Ataraxis创造了一个具有破纪录准确率的乳腺癌预后预测系统。他们正在利用深度学习领域最新的自监督训练和联合嵌入架构。”
为什么恰恰是现在
技术维度：GPU算力与多模态模型的交汇
三家创业公司都重度依赖NVIDIA的GPU算力。iSono Health的AI训练使用了GPU加速和开源医学成像框架；Whiterabbit在圣路易斯华盛顿大学的GPU集群上训练模型，推理则在部署于诊所的NVIDIA GPU上实时完成；Ataraxis AI的基础模型Kestrel同样依赖大规模GPU算力训练病理多模态AI。
过去五年，医疗AI的两大瓶颈——算力成本和多模态数据融合——正在被同时突破。GPU算力的持续提升使百万帧级别的医学影像训练成为可行。而Transformer架构和自监督学习方法的成熟，使AI能够同时理解病理切片的空间结构与临床文本信息。Ataraxis的Kestrel使用了视觉Transformer和自监督学习，经过数亿张病理图像预训练。
行业维度：人力危机的倒逼效应
放射科人力缺口不是新问题，但它正在加速恶化。Neiman健康政策研究所2025年发表于JACR的研究显示，放射科医生离职率在疫情期间加速增长，但早在2020年之前就已经从1.1%攀升到了2.0%。2023年和2024年，AuntMinnie连续两年将“放射科人力短缺”评为行业最大威胁。
更关键的是供需的剪刀差：Neiman HPI预测影像利用量到2055年将增长16.9%到26.9%，而放射科医生供给增速远低于此。这种结构性的供需失衡为AI辅助诊断创造了独特窗口——医院和影像中心不再需要被“说服”才引入AI，它们主动寻找AI来缓解人力压力。Whiterabbit的WRDensity和iSono的ATUSA本质上都在回答同一个问题：当医生不够用时，如何让现有医生的产出翻倍？
政策维度：FDA新规打开的市场
2024年9月10日，FDA一项酝酿多年的规定正式生效——要求所有钼靶机构通知患者其乳腺密度。约一半的40岁以上美国女性拥有致密乳腺组织，而致密乳腺既使钼靶检测癌症更困难，本身也是乳腺癌风险因素。这一通知义务直接创造了乳腺密度评估工具的需求，Whiterabbit的WRDensity正是在这一政策窗口下获得临床采纳的。
MedStar Health的调查也佐证了这一点：在受访者中，只有36%的人能正确识别“致密乳腺”是乳腺癌风险因素。FDA新规的强制告知，将在未来几年大幅提升社会对乳腺密度和补充筛查的认知。
商业维度：从“辅助工具”到“临床标准”的跨越
医疗AI创业公司长期面临“叫好不叫座”的困境。但Ataraxis AI的数据指向了一个转折点：比标准方案准确30%，且能在1小时内出结果——这种级别的提升很难被保险公司和医疗系统忽视。值得注意的是，Ataraxis并非试图替代基因组检测，而是利用已有数据做预测。这意味着它面对的不是“替代市场”的零和博弈，而是“扩大市场”的非零和博弈——它为那些基因组检测不适用或成本过高的患者群体提供了新的选项。
Ataraxis的A轮投资者名单也说明了风向：Peter Thiel的Thiel Bio、Founders Fund、以及Oscar Health联合创始人Mario Schlosser——这些都是在医疗投资领域有深刻判断力的名字。Yann LeCun的背书进一步确认了技术路线的严肃性。
结论与展望
三家创业公司给出的共同答案是什么？AI正在做的事情，本质上是将乳腺癌诊疗从“人找病灶”转变为“系统帮人找病灶”。iSono Health让筛查走到患者身边，而不是等患者来医院；Whiterabbit帮放射科医生在一堆阴性钼靶中快速定位极少数阳性样本；Ataraxis AI让患者在确诊后就能立刻获得治疗方案的智能预测。三个方向——筛查可及化、读片智能化、治疗预测化——共同指向一个更大的趋势：乳腺癌诊疗正从“诊断后治疗”的后知后觉模式，转向“全程智能辅助决策”的前瞻模式。
传统的基因组检测公司和手持超声设备厂商面临结构性挑战。如果AI预测能在不需要额外活检的情况下达到相当或更优的准确度，那么每年数十亿美元的基因组检测市场将被重新定义。如果便携式自动超声能在基层诊所普及，传统的大型超声设备在筛查场景中的价值将大幅缩水。而对于NVIDIA来说，这是一个教科书级的“卖水人”故事：三家创业公司，三种不同的应用场景，从训练到推理，底层都跑在NVIDIA GPU上。
更深的追问或许在于：当AI补上了这些缺口，乳腺癌筛查体系本身是否需要重新设计？当筛查可以走进社区、读片可以被AI提速、治疗方案可以在确诊当天获得智能参考，现行的“每年去影像中心做一次钼靶然后等结果”的模式还合理吗？答案留给时间。但有一个判断已经清晰：在乳腺癌战场上，AI不是替代医生的“终结者”，而是填补那些医生永远无法靠自己填补的沟壑——人力缺口和时间缺口。
乳腺癌每年夺走超过4.2万美国女性的生命。真正杀死她们的或许不是癌细胞本身，而是从筛查到治疗之间那些本不该存在的等待。
快报