夜雨聆风
关注AI，关注生活，欢迎关注，最好星标哦~
本周最值得关注的总趋势
行业正在从“单点模型能力展示”转向“真实医疗流程中的规模化部署”。一边是资本继续押注能真正嵌入临床和研发流程的平台型公司，比如 Iterative Health 和 Aidoc；另一边是医院与科研机构继续拿出更接近临床真实世界的验证案例，比如 Mayo 的胰腺癌早筛，以及关于医护人员真实 AI 使用行为的 medRxiv 调查。同时，监管侧也在明显加速，FDA 这周宣布升级内部 AI 工具 Elsa 4.0，并完成底层数据平台整合，说明“监管者自己也在把 AI 纳入工作流”。
Iterative Health 完成 7700 万美元 C 轮融资，重点押注“AI + 临床研究网络”
Iterative Health 本周宣布完成 7700 万美元 C 轮融资，由 Intrepid Growth Partners 和 GV 领投，目标是继续扩展其以 AI 驱动的多专科临床研究网络，加速患者入组与试验执行。
从业务模式看，这家公司瞄准的不是传统“单个 AI 工具”市场，而是临床试验站点网络的系统性效率问题。官方信息提到，当前临床试验普遍存在招募慢、站点执行弱的问题，超过一半研究站点每项研究入组人数不超过 1 人，而接近 90% 的美国试验无法按时达到入组目标；Iterative 的思路是把研究直接嵌入临床照护流程，用集中化运营、专业人员配置、专有 AI 技术和临床试验经验来提升站点执行效率。
它已经披露了一些规模化数据：目前全球网络覆盖 100 多个研究站点，分布在北美、欧洲、印度和澳大利亚，并与 40 多家 药企、生物技术公司、器械公司和 CRO 合作；以 IBD 试验为例，官方称其网络可实现 2 倍更快的站点启动、将启动时间缩短最多 3 个月，并实现 3 倍更高的患者入组率。新融资将支持其从胃肠/肝病继续拓展到心血管和肥胖等治疗领域，并进一步扩大地域覆盖。
这条新闻的重要性在于，它说明资本仍然非常愿意为“AI 改造临床试验基础设施”买单。相较于大量仍停留在 PoC 阶段的医疗 AI 应用，能直接影响试验招募速度、站点表现和药物上市节奏的基础设施型平台，更容易形成明确 ROI。
Aidoc 获 1.5 亿美元 E 轮融资，继续推进临床基础模型和企业级 AI 平台
Aidoc 本周宣布完成 1.5 亿美元 E 轮融资，由 Goldman Sachs Alternatives 领投，资金将用于扩大其临床基础模型 CARE 和企业级平台 aiOS 的疾病覆盖、产品能力和全球部署。
Aidoc 在这次新闻稿里强调的核心逻辑是：医疗系统已经不再满足于一个个分散的 AI 小工具，而是开始转向全院级、企业级的临床 AI 平台。公司认为，诊断错误与延误在美国每年导致至少 40 万例死亡，而影像工作量上升、医护短缺和临床复杂度增加，使得单点工具难以从系统层面解决问题。它给出的答案是：用一个临床基础模型 CARE 加上统一平台 aiOS，把多病种、多模态、多工作流的 AI 能力集中管理。
从已披露信息看，Aidoc 称其今年早些时候拿到了一个具有里程碑意义的 FDA 批准，用于“双位数病种覆盖的 foundation model-based triage system”；平台目前每年分析 6000 多万例患者病例，已部署在近 2000 家医院。这轮融资将用于扩展更多临床适应证，并推进“pixel to draft report”路线，也就是从影像像素级输入走向报告草稿生成的端到端流程。
这说明医疗 AI 的竞争，正在从“谁有更准的单任务算法”转向“谁能提供可治理、可监管、可在大医院系统中规模化运行的平台”。对医院来说，未来采购对象更可能是统一的 AI 操作层，而不是十几个彼此孤立的算法插件。
Abbott 获 FDA 510(k) 和 CE Mark，AI 冠脉影像设备继续向高价值介入场景渗透
Abbott 的 Ultreon 3.0 本周获得 FDA 510(k) 和 CE Mark，用 AI + OCT 支持冠脉斑块评估以及支架选择与放置。
根据报道，Ultreon 3.0 在原有产品基础上进一步提升了清晰度、速度和临床洞察。这套系统将光学相干断层扫描（OCT）和 AI 结合起来，帮助医生更好地评估阻塞血管的斑块情况，并支持术中支架尺寸与放置决策。Abbott 还强调了它的高速成像能力以及低或零造影剂使用的潜在优势，并将 AI 自动化洞察作为简化医生工作流的重要卖点。
这类产品代表了 AI 在医疗器械领域一个非常明确的落地方向：高监管、高价值、高工作流耦合。相比生成式医疗问答或消费端工具，介入影像设备的路径更接近“先进入标准化临床流程，再逐步积累监管和支付优势”。这也是为什么器械级 AI 一直比很多 LLM 医疗应用更容易形成稳定商业闭环。
Mayo Clinic：AI 可在胰腺癌临床诊断前最长 3 年提示风险
Mayo Clinic 报告其 AI 模型 REDMOD 可在常规腹部 CT 上识别胰腺癌的早期影像信号，最早可比临床诊断提前 3 年。
这是本周最具“临床突破感”的新闻之一。Mayo 表示，该模型在接近 2000 份 CT 扫描上完成验证，其中包括那些当时被读片为正常、但后来被诊断为胰腺癌的病例。结果显示，REDMOD 能识别 73% 的这些“诊断前癌症”病例，中位提前量约 16 个月；而在诊断前超过两年的更早时间窗内，AI 的识别能力更明显，能发现几乎 3 倍 于常规人工评估的早期病例。
Mayo 强调，这个模型不需要高强度人工预处理，可以直接分析本来就是因其他原因拍摄的 CT，尤其适合用于高风险人群，例如新发糖尿病患者。团队目前正推进一个前瞻性研究 AI-PACED，去评估 AI 进入真实临床流程之后的表现，包括早检效果、假阳性和临床结局。
胰腺癌最大的问题从来不是“治疗工具太少”，而是发现得太晚。如果 AI 真能从“看见已有肿块”提前到“识别正常外观胰腺中的细微信号变化”，那它改变的是早筛窗口，而不是单纯提高读片准确率。
FDA 升级 Elsa 4.0，并完成 HALO 数据平台整合
FDA 本周宣布对内部 AI 工具 Elsa 升级至 4.0，并将 40 多个分散的申请与提交数据源整合到新平台 HALO，进一步把 AI 纳入监管工作流。
从公告来看，这不是一次简单的聊天机器人更新，而是 FDA 在内部流程现代化上的一个明显信号。Elsa 4.0 的新增功能包括：定制代理（custom agents）、文档生成、定量数据分析与可视化、安全网页检索、语音转文本、OCR，以及更强的大型文档搜索能力。更关键的是，FDA 还把超过 40 个 分散的数据系统、门户和提交源整合进一个名为 HALO 的平台，并开始把 HALO 与 Elsa 联通。官方描述很直接：过去是工作人员把数据带给 Elsa；现在是 Elsa 坐在数据之上。
FDA 同时强调，Elsa 运行在 FedRAMP High 级别的 Google Cloud 安全环境内，不会用输入数据或受监管企业提交的数据来训练模型，且 FDA 人员会在每个 AI 工作环节中进行人工验证。
对医疗 AI 行业来说，这条新闻的意义非常大：监管机构本身正在成为 AI 的深度使用者。这可能影响未来审核效率、数据处理方式、监管科学能力，以及监管者对 AI 工具“应该如何进入高风险体系”的认知框架。
medRxiv ：英美 75.8% 医护近期用过 AI，但机构治理明显落后
一句话总结： 一项覆盖英美 524 名医护人员 的横断面调查显示，75.8% 的受访者近期使用过 AI，主要用于文档处理、文献检索和临床决策支持，但很多人依赖的是个人而非机构提供的工具。
这项调查最重要的发现，不只是“大家都在用 AI”，而是谁在用、怎么用、通过什么入口在用。研究显示，医生的 AI 使用广度更高，而且相比护士，更倾向于通过个人、非雇主提供的工具访问 AI；整体上，个人工具也是最常见的接入方式，占到 40.1%。作者因此得出一个很有现实意义的结论：AI 的实际采用已经很普遍，但机构级访问和治理仍明显滞后，下一阶段优先任务是把使用从个人账号迁移到受治理、受批准的系统中。
❤️关注了解更多内容
#AI医疗
每天4000万人向AI问诊：OpenAI报告揭示医疗AI如何成为8亿用户的“深夜自救指南”
一周两连发：OpenAI（1/8）+ Anthropic（1/12)医疗AI风向彻底变了
AI医疗| 1亿美元买“四人团队”？OpenAI 押注的是什么？
亚马逊 One Medical 上线 Health AI：一款在 2026 年正式落地的智能健康助理
AI 驱动药物研发：Takeda × Iambic 重磅合作 & Galux 完成 2900 万美元融资
一项Nature Medicine 研究：医疗大模型从“考试高分”到“真实对话失灵”
