【原】檢測周期縮短90%，PreciseDx如何用 AI為乳腺癌患者搶出3周黃金治療窗口？

2025年6月，公司再獲1120萬美元B輪追加融資，總?cè)谫Y額累計4270萬美元。

資本支持背后是對其“AI+腫瘤形態(tài)學”技術路徑的認可——這家成立于2019年的年輕公司憑借專有技術平臺Precise breast，將乳腺癌復發(fā)風險評估時間從傳統(tǒng)基因檢測的平均耗時22天壓縮至56小時，成本降低80%。

AI研發(fā)背景與敏銳的臨床經(jīng)驗是團隊能夠快速識別市場需求的起點。

創(chuàng)始人Carlos Cordon-Cardo作為西奈山醫(yī)學院病理學系主任，他在腫瘤形態(tài)學領域積累了數(shù)十年的臨床數(shù)據(jù)。這些臨床數(shù)據(jù)成為PreciseDx技術研發(fā)的重要學習素材。首席科學官GerardoFernandez醫(yī)學博士則兼具病理學與AI研發(fā)背景。

創(chuàng)始團隊在臨床工作中發(fā)現(xiàn)，確定乳腺癌復發(fā)可能性的風險評估存在諸多不足。一方面，基因表達測試雖讓乳腺癌患者受益，但其價格昂貴，單人篩查成本高昂。

同時，報告產(chǎn)出通常需兩到四周時間，存在滯后性，這可能導致治療決定延遲，醫(yī)生和患者難以獲得準確、及時的診斷信息，影響治療決策的科學性和及時性。

團隊獨特的專利技術是打破這一診斷局限的關鍵。

截至2025年6月，公司已在全球申請47項專利，核心專利覆蓋MFA形態(tài)特征陣列（Morphometric Feature Array,MFA）特征提取算法、多模態(tài)病理圖像融合分析方法以及基于AI的復發(fā)風險動態(tài)更新模型。

傳統(tǒng)乳腺癌風險評估依賴醫(yī)生主觀判讀或基因檢測，前者主觀性強。后者則耗時長且成本高。

作為旗艦產(chǎn)品，Precise breast臨床價值體現(xiàn)在全流程效率大幅提升與患者差異性精準分層的雙重突破。

 與基因檢測對比

在檢測流程上，傳統(tǒng)21基因檢測需經(jīng)歷樣本冷鏈運輸、RNA提取、基因擴增等12個步驟，耗時14～28天。而Precise breast的檢測流程僅需三步。

首先，對病理切片開展數(shù)字化掃描工作，掃描分辨率能夠達到200nm/像素，這一步可精準獲取切片的微觀圖像信息，為后續(xù)分析奠定基礎。

接著，將掃描所得的圖像數(shù)據(jù)輸入AI平臺，由平臺自動進行分析，整個運算過程耗時不超過2小時即可對腫瘤相關特征深度解析。

最后，基于AI分析結(jié)果，生成結(jié)構(gòu)化報告，報告中不僅包含乳腺癌復發(fā)風險分數(shù)，還會給出針對性臨床建議，為醫(yī)生制定診療方案提供有力支撐。

Precise Breast數(shù)據(jù)監(jiān)測結(jié)果顯示

這種流程優(yōu)化帶來的臨床效益不僅直接體現(xiàn)在治療決策時效上，還具備個性化治療方案的優(yōu)化特征。

臨床數(shù)據(jù)顯示，使用Precise breast后，患者從病理確診到制定治療方案的時間從平均22天縮短至56小時，其中低風險患者的化療避免率提升37%，顯著減少了過度治療風險。

據(jù)官網(wǎng)新聞，Precise breast已獲得美國CLEP認證（臨床實驗室評估計劃，ClinicalLaboratoryEvaluationProgram），是少數(shù)通過CLEP嚴苛驗證的非基因檢測類產(chǎn)品。

CLEP是紐約州衛(wèi)生部（NYSDOH）依據(jù)《臨床實驗室改進修正案》（CLIA）設立的地方性強化認證，專門針對實驗室開發(fā)檢測（LDT）或創(chuàng)新診斷技術。CLEP認證不僅是對Precise breast的技術認可，也證明了AI形態(tài)學分析能以更低成本、更快速度，為復雜亞型乳腺癌助力。

Precise breast通過形態(tài)學特征直接反映腫瘤生物學行為，在HER2陽性、三陰性等特殊亞型中均保持預測效力。其技術突破得益于MFA與OncoIntelligence人工智能平臺的有效結(jié)合。

MFA并非傳統(tǒng)意義上的病理特征提取工具，而是通過超分辨率圖像分析技術，將病理切片中的細胞核形態(tài)、組織結(jié)構(gòu)、血管分布等137項形態(tài)學參數(shù)進行數(shù)字化編碼，形成標準化的特征向量數(shù)據(jù)庫。

這種編碼方式突破了傳統(tǒng)病理報告“定性描述”的局限——以細胞核為例，MFA可量化核面積、周長、不規(guī)則度等23項幾何特征，使病理信息從主觀描述轉(zhuǎn)化為可計算的客觀數(shù)據(jù)。

OncoIntelligence平臺則采用多模態(tài)深度學習架構(gòu)，核心算法包含三層處理邏輯：

■ 圖像預處理層：

利用卷積神經(jīng)網(wǎng)絡（CNN）對H&E切片進行雜質(zhì)過濾與特征增強，解決傳統(tǒng)病理切片染色不均、組織折疊等干擾問題；

■ 特征融合層：

將MFA提取的形態(tài)學特征與臨床數(shù)據(jù)（腫瘤大小、淋巴結(jié)狀態(tài)、患者年齡等4個維度）進行時空對齊，通過注意力機制（Attention Mechanism）識別關鍵風險因子；

■ 預測決策層：

基于長短期記憶網(wǎng)絡（LSTM）構(gòu)建復發(fā)風險預測模型，輸出0-100分的OncoIntelligence分數(shù)，其中≥70分定義為高風險隊列，≤30分為低風險隊列，中間區(qū)間為中等風險。

這種架構(gòu)的獨特性在于“形態(tài)學優(yōu)先”的設計理念。這一設計是通過AI解析標準H&E染色切片的形態(tài)特征（如細胞核大小、組織結(jié)構(gòu)紊亂程度等），直接反映腫瘤嚴重程度的解析行為來實現(xiàn)的。

PreciseDx的算法僅需標準H&E切片（Hematoxylin and Eosin Staining，通過對生物組織切片進行蘇木精（Hematoxylin）和伊紅（Eosin）雙染色，使細胞結(jié)構(gòu)在顯微鏡下呈現(xiàn)鮮明對比），無需額外的免疫組化（IHC）或基因測序步驟，這使其在資源有限的基層醫(yī)院也能普及。

官網(wǎng)數(shù)據(jù)顯示，該平臺對乳腺癌復發(fā)風險的預測準確率較傳統(tǒng)病理分級提升41%，尤其在三陰性乳腺癌等難分型病例中優(yōu)勢更顯著。

此外，豐富的臨床數(shù)據(jù)積累模式使PreciseDx的AI模型擁有“越用越準”的特性。2024—2025年，Precise breast的復發(fā)風險預測AUC值從0.91提升至0.94，每新增1000例標注病例，模型預測精度提升2.3%。

不過，PreciseDx的技術野心并不局限于乳腺癌領域，其OncoIntelligence平臺正通過模塊化升級向多癌種滲透。2025年公布的研發(fā)路線圖顯示，公司已啟動肺癌、結(jié)直腸癌、前列腺癌三大癌種的AI模型開發(fā)。

PreciseDx的合作網(wǎng)絡構(gòu)建呈現(xiàn)清晰的戰(zhàn)略梯度：

第一階段（2024年）聚焦技術公信力建設，選擇與COTA和BaptistHealth合作。前者擁有全美豐富的腫瘤真實世界數(shù)據(jù)庫，后者是佛羅里達州最大的醫(yī)療系統(tǒng)，這種組合既能提供多樣化的患者數(shù)據(jù)優(yōu)化算法，又能通過臨床實踐積累證據(jù)。

第二階段（2025年）轉(zhuǎn)向產(chǎn)業(yè)資源整合，與LabCorp、Quest Diagnostics等第三方檢驗巨頭建立合作，借助其全國性物流網(wǎng)絡和客戶基礎，快速擴大檢測服務覆蓋范圍。

第三階段則瞄準學術高地，與加州大學洛杉磯分校合作開展三陰性乳腺癌復發(fā)預測研究，強化在難治性腫瘤領域的技術話語權(quán)。

這種“臨床驗證－產(chǎn)業(yè)落地－學術引領”的路徑，與衛(wèi)生保健組織、診療一體化等主體拓展邏輯高度契合。這也是吸引企業(yè)投資的重要原因——他們看中的不僅是PreciseDx的技術，更是其構(gòu)建的“AI診斷－治療決策－療效監(jiān)測”生態(tài)閉環(huán)。

截至2025年6月，PreciseDx已經(jīng)歷三輪融資，累計融資額為4270萬美元：

 PreciseDx歷史融資情況

這種融資節(jié)奏與公司的商業(yè)化進程同步推進。以2025年6月的1120萬美元追加融資為例，投資方Eventide表示，資金將用于Precise breast的全球注冊和商業(yè)化，尤其是加速進入歐洲CE市場和中國NMPA審批流程。

值得注意的是，公司在融資過程中引入產(chǎn)業(yè)資本而非單純財務投資者——LabCorp作為全球檢驗龍頭，可提供臨床實驗室網(wǎng)絡用于檢測服務落地，這種“資本+資源”的注入模式，讓PreciseDx的擴張效率逐步增強。

盡管Precise breast能大幅提高癌癥檢測效率，增強決策能力。但是復雜的腫瘤判斷問題真的能完全交由AI處理嗎，在這一點上病理學界還存在諸多擔憂。

一方面是決策可解釋性。傳統(tǒng)病理診斷依賴可視化特征，而AI模型的決策邏輯難以直觀呈現(xiàn)，AI算法背后的運作邏輯難以驗證，存在透明性問題。另一方面是責任界定模糊性。當AI診斷結(jié)果與病理醫(yī)生判斷沖突時，究竟該如何判斷其最終解釋權(quán)，責任歸屬尚存在不明確的風險。

不過，對國內(nèi)醫(yī)療創(chuàng)新企業(yè)而言，PreciseDx的崛起揭示了三條關鍵路徑：其一，技術研發(fā)必須錨定臨床真問題，而非單純追求算法精度；其二，生態(tài)合作優(yōu)先于單打獨斗，尤其是與頭部醫(yī)療機構(gòu)和產(chǎn)業(yè)資本的綁定；其三，資本運作需服務于商業(yè)落地，每一輪融資都應對應明確的市場里程碑，讓AI醫(yī)療從概念走向落地。