医学影像是一个涵盖多种不同技术的广泛概念。在开发用于增强 X 射线和乳腺摄影的 AI 工具之后,法国初创公司 Gleamer 现在致力于攻克磁共振成像 (MRI) 领域。
为避免从零开始,Gleamer 收购了两家已在 AI 驱动的 MRI 分析领域有所建树的初创公司:Pixyl 和 Caerus Medical。
Gleamer 是第二波尝试利用人工智能改进医学影像的初创企业之一。2014 或 2015 年,许多科技创始人围绕这一主题创建了初创公司。虽然大多数公司都未能成功,但该领域已经出现了一些整合。例如,Zebra Medical Vision 和 Arterys 分别被 Nanox 和 Tempus 收购。
成立于 2017 年的 Gleamer 一直致力于为放射科医生开发 AI 助手,这是一种医学影像的副驾驶。通过 Gleamer,放射科医生在解读医学影像时理论上可以提高诊断准确性。
该初创公司已经说服了 45 个国家的 2,000 家机构使用其软件解决方案。总体而言,Gleamer 已处理了 3,500 万次检查。该公司的骨骼创伤解读产品已获得 CE 和 FDA 认证。在欧洲,该公司还提供专门针对胸部 X 射线、骨科和骨龄测量的 CE 认证产品。
"不幸的是,放射学领域的一刀切方法并不可行," Gleamer 联合创始人兼 CEO Christian Allouche 对 TechCrunch 表示。"要开发一个涵盖所有医学影像并达到医生期望性能水平的大型模型是非常复杂的。"
这就是为什么该公司成立了专注于乳腺摄影和 CT 扫描的小型内部团队。"三周前我们发布了筹备了 18 个月的乳腺摄影产品," Allouche 说。该产品基于一个经过 150 万张乳腺摄影图像训练的专有 AI 模型。
"我们与法国政府的 GPU 集群 Jean Zay 建立了合作伙伴关系," Allouche 说。该公司还在研究癌症 CT 扫描。
那么 MRI 呢?"MRI 是一个不同的技术领域," Allouche 说。"MRI 涉及很多任务。不仅仅是检测,还包括分割、检测、特征化、分类、多序列成像。"
这就是为什么 Gleamer 收购了两家在这个领域工作多年的小型初创公司,以加快发展。Gleamer 没有透露交易条款。
"这两家公司将成为我们的两个 MRI 平台,我们的明确目标是在未来两到三年内覆盖所有使用场景," Allouche 说。
预防性医学影像
虽然 Gleamer 的模型显示出有前途的结果,但它们还不够完美。例如,通过该公司的新乳腺摄影模型,该初创公司声称可以检测出五分之四的癌症。相比之下,没有 AI 辅助的人类放射科医生通常能识别出五分之三的癌症病例。
然而,像 Gleamer 这样的工具带来的生产力提升可能会彻底改变医学影像。未被发现的肿瘤很可能会在几个月后的随访检查中显现。
"在不久的将来,我认为我们都将获得保险公司支付的常规全身 MRI 检查 — 因为它们不会产生辐射," Allouche 说。
然而,在一些城市,放射科医生已经不足以满足反应性影像的需求。如果行业转向预防性影像,AI 工具将变得不可或缺。
Gleamer 的 CEO 认为 AI 可以成为一个"协调和分类"工具。大多数医学影像检查是为了排除某些诊断。"因此,我们确实需要用一个非常可靠的 AI 模型来自动化完成这些工作,该模型的灵敏度要远高于人类," Allouche 说。
好文章,需要你的鼓励
腾讯今日开源混元MT系列语言模型,专门针对翻译任务进行优化。该系列包含四个模型,其中两个旗舰模型均拥有70亿参数。腾讯使用四个不同数据集进行初始训练,并采用强化学习进行优化。在WMT25基准测试中,混元MT在31个语言对中的30个表现优于谷歌翻译,某些情况下得分高出65%,同时也超越了GPT-4.1和Claude 4 Sonnet等模型。
腾讯ARC实验室推出AudioStory系统,首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术,通过交错式推理生成、解耦桥接机制和渐进式训练,能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异,为AI音频创作开辟新方向。
今年是Frontiers Health十周年。在pharmaphorum播客的Frontiers Health限定系列中,网络编辑Nicole Raleigh采访了Startup Health总裁兼联合创始人Unity Stoakes。Stoakes在科技、科学和设计交汇领域深耕30多年,致力于变革全球健康。他认为,Frontiers Health通过精心选择的空间促进有意义的网络建设,利用网络效应推进创新力量,让企业家共同构建并带来改变,从而有益地影响全球人类福祉。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。