เจาะลึกการเดิมพัน 22 ล้านเหรียญของ Triomics: ทำไมมะเร็งวิทยาถึงต้องการ AI เฉพาะทาง ไม่ใช่แค่เครื่องมือทั่วไป

ข้อมูลทางการแพทย์ประมาณ 80% อยู่ในรูปแบบที่ไร้โครงสร้าง เช่น บันทึกแบบข้อความอิสระของแพทย์ ในขณะที่มีเพียง 20% เท่านั้นที่ถูกจัดเก็บในรูปแบบที่มีโครงสร้างเป็นระบบ เช่น ค่าตรวจทางห้องปฏิบัติการหรือข้อมูลประชากร ความไม่สมดุลนี้หมายความว่า เจ้าหน้าที่ด้านมะเร็งวิทยาที่ผ่านการฝึกฝนมาอย่างดีต้องใช้เวลาหลายชั่วโมงในการอ่านบันทึกข้อมูลด้วยตนเอง เพื่อสนับสนุนขั้นตอนการทำงานที่สำคัญ ได้แก่ การจับคู่การทดลองทางคลินิก การเตรียมตัวก่อนพบผู้ป่วย และการรายงานข้อมูลทะเบียนมะเร็ง

ภาระงานที่ต้องทำด้วยตนเองนี้ส่งผลกระทบที่จับต้องได้ มันสร้างคอขวดในการลงทะเบียนเข้าร่วมการทดลองทางคลินิก ซึ่งเป็นกระบวนการที่สถาบันมะเร็งแห่งชาติสหรัฐอเมริการะบุว่ามีความสำคัญต่อการจัดการผลข้างเคียงและการทดสอบวิธีการรักษาแบบใหม่ นอกจากนี้ยังนำไปสู่ชั่วโมงการทำงานที่เรียกว่า "pajama-time" หรือเวลาที่แพทย์และพยาบาลต้องทำงานเอกสารค้างอยู่หลังเลิกกะอีกด้วย Triomics มุ่งเป้าไปที่จุดที่เป็นปัญหานี้โดยตรง ด้วยการทำให้การนำเข้าและวิเคราะห์ข้อมูลในเวชระเบียนหลายร้อยหน้าต่อผู้ป่วยหนึ่งรายเป็นไปโดยอัตโนมัติ

OncoLLM ทำงานอย่างไร: สถาปัตยกรรม AI เฉพาะทางสำหรับมะเร็งวิทยา

แพลตฟอร์มของ Triomics ขับเคลื่อนด้วย OncoLLM ซึ่งเป็นกรอบการทำงาน AI ระดับองค์กรที่สร้างขึ้นเพื่อมะเร็งวิทยาโดยเฉพาะ แทนที่จะเป็นโมเดลเดียวขนาดใหญ่ OncoLLM ถูกอธิบายว่าเป็นกลุ่มของ โมเดล 8 ตัว ที่มีขนาดตั้งแต่ 3 พันล้านพารามิเตอร์ไปจนถึง 72 พันล้านพารามิเตอร์ ซึ่งทำงานร่วมกันในลักษณะของ Agent หรือผู้ช่วยอัจฉริยะ การออกแบบนี้ทำให้ระบบสามารถตีความข้อมูลในระดับผู้ป่วย โดยให้เหตุผลจากประวัติการรักษาระยะยาว แทนที่จะวิเคราะห์ทีละเอกสาร

แนวทางทางเทคนิคนี้เป็นการออกตัวออกห่างจากวิธีการก่อนหน้านี้ เช่น การรู้จำชื่อเอนทิตี หรือการสกัดความสัมพันธ์ อย่างจงใจ บริษัทยังใช้ประโยชน์จากบริการ Azure AI และ OpenAI ของ Microsoft ซึ่งรวมถึงการปรับแต่ง (finetuning) โมเดลภาษาขนาดเล็ก Phi-3.5 เพื่อแยกวิเคราะห์ข้อมูลทางคลินิกที่สำคัญจากข้อมูลไร้โครงสร้างในปริมาณมาก จากข้อมูลของ Microsoft การผสานรวมนี้ทำให้แพลตฟอร์มสามารถตรวจสอบเวชระเบียนผู้ป่วยทั้งหมดเทียบกับการทดลองทางคลินิกหลายร้อยรายการที่กำลังดำเนินอยู่ได้ภายในเวลาไม่ถึงหนึ่งนาที

ผลิตภัณฑ์ซอฟต์แวร์หลักสองตัวที่ทำงานบน OncoLLM ได้แก่:

• Prism: ทำการคัดกรองการนัดหมายผู้ป่วยที่กำลังจะมาถึงทุกคนโดยอัตโนมัติเทียบกับพอร์ตการทดลองทางคลินิกทั้งหมด และส่งผลการจับคู่ที่พบในแต่ละวันหรือแต่ละสัปดาห์เข้าสู่ขั้นตอนการทำงานของผู้ให้บริการโดยตรง พร้อมด้วยเหตุผลที่แจกแจงเป็นรายเกณฑ์และอ้างอิงแหล่งที่มา
• Harmony: จัดการข้อมูลจากเวชระเบียนอิเล็กทรอนิกส์ (EHR) เพื่อรวบรวมสรุปข้อมูลผู้ป่วยในระดับผู้เชี่ยวชาญโดยอัตโนมัติ พร้อมด้วยสถานะโรคปัจจุบัน ลำดับการรักษา ตัวบ่งชี้ทางชีวภาพ และตัวเลือกการทดลอง นอกจากนี้ Harmony ยังสนับสนุนการวิเคราะห์กลุ่มผู้ป่วยและการรายงานด้านการแพทย์แม่นยำอีกด้วย

ในการตรวจสอบเบื้องต้นกับ Medical College of Wisconsin มีรายงานว่า OncoLLM สามารถ ค้นหาผู้ป่วยที่มีคุณสมบัติเหมาะสมสำหรับการทดลองทางคลินิกได้ถึง 90% ภายในเวลาไม่กี่นาที ซึ่งเป็นงานที่พยาบาลผู้เชี่ยวชาญต้องใช้เวลาหลายวันหรือหลายสัปดาห์ แหล่งข้อมูลเดียวกันระบุว่า OncoLLM สามารถดึงข้อมูลที่มีโครงสร้างจากบันทึกที่ไร้โครงสร้างได้ด้วยความแม่นยำใกล้เคียงหรือสูงกว่าโมเดลอย่าง GPT-4 หรือ Claude ในขณะที่มีค่าใช้จ่ายในการทำงานต่ำกว่าประมาณ 40 เท่า

การระดมทุนและแรงสนับสนุน

การระดมทุนซีรีส์ B มูลค่า 22 ล้านดอลลาร์สหรัฐฯ นี้เกิดขึ้นหลังจากการระดมทุนซีรีส์ A มูลค่า 15 ล้านดอลลาร์สหรัฐฯ ในปี 2024 เงินทุนนี้จะถูกนำไปใช้เพื่อเร่งการยอมรับในระบบสุขภาพต่างๆ และเพื่อเชื่อมต่อกับระบบเวชระเบียนอิเล็กทรอนิกส์ให้ลึกซึ้งยิ่งขึ้น บริษัทไม่ได้เปิดเผยตัวชี้วัดการเติบโตโดยละเอียด เช่น รายได้ที่เกิดซ้ำรายปี (ARR) หรือจำนวนลูกค้าองค์กรต่อสาธารณะ แม้ว่าในการประกาศระดมทุนจะระบุว่าแพลตฟอร์มนี้ได้รับความไว้วางใจจากศูนย์มะเร็งชั้นนำก็ตาม

สิ่งที่สามารถตรวจสอบได้ต่อสาธารณะคือรายชื่อลูกค้า Triomics ได้ทำข้อตกลงการใช้งานกับสถาบันที่มีชื่อเสียงหลายแห่ง:

• Memorial Sloan Kettering Cancer Center (MSK): MSK กำลังใช้งานระบบจับคู่และคัดกรองการทดลองทางคลินิก AI ในโครงการ iHub และ CRIC ของศูนย์ สำหรับการทดลองที่กำลังดำเนินอยู่ทั้งหมด
• Mount Sinai Tisch Cancer Center: เปิดตัวแพลตฟอร์ม PRISM ที่ขับเคลื่อนด้วย OncoLLM กลายเป็นศูนย์มะเร็งครบวงจรที่ได้รับการแต่งตั้งจาก NCI แห่งแรกในนิวยอร์กซิตี้ที่ใช้งาน AI เฉพาะทางด้านมะเร็งวิทยาสำหรับการจับคู่การทดลอง
• Yale Cancer Center และ Smilow Cancer Hospital: ขยายการใช้งานแพลตฟอร์มครอบคลุมพอร์ตโฟลิโอการทดลองทางคลินิกด้านมะเร็งวิทยาที่ดำเนินการอยู่ทั้งหมด โดยมีผลลัพธ์ตีพิมพ์ในวารสาร Nature Digital Medicine

การวางตำแหน่งทางการแข่งขัน: ความเชี่ยวชาญเฉพาะทางกับเครื่องมือทั่วไป

Triomics ก้าวเข้าสู่ตลาดที่แออัดไปด้วยเครื่องมือ AI สำหรับจดบันทึกเสียงสนทนาระหว่างแพทย์กับผู้ป่วยและเครื่องมือเอกสารทางคลินิกอื่นๆ เช่น Nuance DAX Copilot ของ Microsoft และ Abridge อย่างไรก็ตาม ความแตกต่างของ Triomics คือความเชี่ยวชาญเฉพาะทาง

AI สำหรับจดบันทึกทั่วไปถูกออกแบบมาสำหรับงานเอกสารทางคลินิกในวงกว้างครอบคลุมหลายสาขา โดยสรุปบทสนทนาระหว่างแพทย์และผู้ป่วยระหว่างการนัดหมาย ในทางตรงกันข้าม Triomics มุ่งเน้นเฉพาะขั้นตอนการทำงานด้านมะเร็งวิทยาที่เกี่ยวข้องกับข้อมูลไร้โครงสร้างขนาดยาวปริมาณมาก ซึ่งครอบคลุมประวัติผู้ป่วยหลายปี AI ของบริษัทจะอ่านข้อมูลจากเวชระเบียนทั้งหมดของผู้ป่วย สร้างมุมมองผู้ป่วยที่มีโครงสร้างและมีการอ้างอิง ก่อนการเข้ารับการตรวจ ระหว่างการคัดกรอง และหลังการนัดหมาย

ทีมผู้บริหารของบริษัทยังก่อตั้ง Collaboration for Oncology focused LLM Training (COLT) ซึ่งเป็นกลุ่มพันธมิตรของศูนย์มะเร็งที่ได้รับการแต่งตั้งจาก NCI กว่า 20 แห่ง ร่วมกับ Ci4CC เพื่อสร้างเกณฑ์มาตรฐานด้านประสิทธิภาพและมาตรฐานความปลอดภัยสำหรับ AI แบบรู้สร้างในสาขามะเร็งวิทยา สิ่งนี้ทำให้ Triomics เป็นผู้มีส่วนได้ส่วนเสียในการกำหนดกฎเกณฑ์ ไม่ใช่แค่เพียงการสร้างผลิตภัณฑ์

อนาคตของ AI เฉพาะทางด้านมะเร็งวิทยาคืออะไร

การระดมทุน 22 ล้านดอลลาร์สหรัฐฯ ในครั้งนี้ส่งสัญญาณถึงแนวคิดที่กำลังเติบโตในแวดวงเทคโนโลยีสุขภาพ: ความซับซ้อนของข้อมูลในสาขามะเร็งวิทยาจำเป็นต้องมีโครงสร้างพื้นฐานเฉพาะทาง ไม่ใช่แค่การนำแชทบอตทั่วไปมาปรับใช้ใหม่ ในขณะที่ศูนย์มะเร็งต้องเผชิญกับแรงกดดันที่เพิ่มขึ้นในการจับคู่ผู้ป่วยกับการรักษาแบบแม่นยำและการทดลองทางคลินิกให้ได้มากขึ้น คอขวดนี้กำลังกลายเป็นความจำเป็นทางการแข่งขันที่ต้องได้รับการแก้ไข

ไม่ว่า Triomics จะรักษาความได้เปรียบจากการเป็นผู้บุกเบิกเหนือคู่แข่งทั่วไปที่ทุนหนาและผู้จำหน่าย EHR ระดับองค์กรได้หรือไม่นั้น ยังคงเป็นคำถามที่ไม่มีคำตอบ แต่ด้วยการใช้งานจริงที่ MSK, Yale และ Mount Sinai และเงินลงทุนรวม 36 ล้านดอลลาร์สหรัฐฯ บริษัทได้ก้าวข้ามขั้นตอนการพิสูจน์แนวคิดไปสู่การดำเนินงานทางคลินิกในระดับที่ขยายขนาดได้แล้ว ปีต่อจากนี้จะเป็นบททดสอบว่า AI เฉพาะทางจะสามารถส่งมอบตามคำมั่นสัญญาในหนึ่งในสาขาการแพทย์ที่ข้อมูลเข้มข้นที่สุดได้หรือไม่