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
随着谷歌搜索和亚马逊主页在电商领域影响力下降,AI助手如ChatGPT、Claude等成为消费者新的购物入口。品牌必须掌握生成式引擎优化(GEO)技术才能保持可见性。传统SEO策略已失效,AI系统更青睐结构化、问答式的高质量内容。研究显示,来自AI助手的流量转化率比其他渠道高9倍。品牌需要基于真实客户问题创建内容,采用结构化问答格式,并建立信任度,才能在这个新的电商秩序中脱颖而出。
斯坦福大学研究发现,主要用英语训练的大型语言模型竟能自发学会处理其他语言任务,无需明确教学。这种跨语言迁移能力随模型规模增大而显著提升,通过形成"通用语义空间"实现不同语言间的知识迁移。研究为降低多语言AI开发成本、支持资源稀缺语言提供了新途径,但仍面临性能不均衡、文化适应性等挑战。
2025年第一季度网络攻击激增126%,英国新法案要求数据中心强制报告网络安全事件。现代威胁已演变为同时攻击IT和OT系统,而许多数据中心的备用电源系统仍使用90年代的过时技术。电池储能系统(BESS)通过分布式架构、加密通信和自主运行能力提供网络弹性防护。BESS即服务模式将网络安全维护转移给专业提供商,同时通过需求响应和能源套利创造收益。随着全球法规要求将网络安全与能源安全相结合,数据中心需要现代化基础设施来应对日益严峻的威胁环境。
阿姆斯特丹大学与Salesforce合作开发的奖励引导推测解码(RSD)技术,通过让小模型处理简单任务、大模型解决复杂问题的智能分工,在保持推理准确率的同时大幅提升计算效率。该技术在数学推理等任务中表现出色,计算量最多可减少75%,为AI应用的普及和成本降低提供了重要技术支撑。