Canh bạc 22 triệu USD của Triomics: Tại sao ung thư cần một AI riêng, không phải công cụ đa năng

Gánh nặng thủ công này mang đến những hệ lụy thực tế. Nó tạo ra nút thắt cổ chai trong quá trình tuyển chọn bệnh nhân vào thử nghiệm lâm sàng—một quy trình mà Viện Ung thư Quốc gia Hoa Kỳ (NCI) cho là sống còn để kiểm soát tác dụng phụ và thử nghiệm các liệu pháp mới . Nó cũng dẫn đến tình trạng các bác sĩ phải làm thêm giờ hành chính sau ca trực, thường được gọi là giờ "pajama-time" . Triomics nhắm trúng điểm đau này bằng cách tự động hóa việc thu thập và suy luận trên hàng trăm trang hồ sơ của từng bệnh nhân.

OncoLLM hoạt động thế nào: Kiến trúc AI chuyên biệt cho ung thư

Nền tảng của Triomics vận hành bởi OncoLLM, một bộ khung AI cấp doanh nghiệp được thiết kế riêng cho ung thư . Thay vì là một mô hình nguyên khối, OncoLLM được mô tả như một chòm sao gồm 8 mô hình riêng biệt với quy mô từ 3 tỷ đến 72 tỷ tham số, phối hợp theo cách "tác nhân" (agentic) . Thiết kế này cho phép hệ thống diễn giải thông tin ở cấp độ toàn bộ bệnh nhân, suy luận xuyên suốt bệnh án theo chiều dọc thời gian thay vì chỉ phân tích từng tài liệu đơn lẻ.

Cách tiếp cận kỹ thuật này là một bước đi khác biệt có chủ đích so với các phương pháp trước đây như nhận dạng thực thể có tên hay trích xuất mối quan hệ . Công ty cũng tận dụng các dịch vụ Azure AI và OpenAI của Microsoft, bao gồm việc tinh chỉnh mô hình ngôn ngữ nhỏ Phi-3.5 để phân tích thông tin lâm sàng quan trọng từ dữ liệu phi cấu trúc trên quy mô lớn . Theo Microsoft, sự tích hợp này cho phép nền tảng rà soát toàn bộ hồ sơ bệnh nhân với hàng trăm thử nghiệm lâm sàng đang diễn ra chỉ trong vòng chưa đầy một phút .

Hai sản phẩm phần mềm cốt lõi được xây dựng trên OncoLLM:

• Prism: Tự động sàng lọc mọi lịch hẹn khám sắp tới trong danh mục thử nghiệm và gửi các kết quả phù hợp hàng ngày hoặc hàng tuần trực tiếp vào quy trình làm việc của bác sĩ, kèm theo lời giải thích chi tiết theo từng tiêu chí và trích dẫn nguồn .
• Harmony: Tổ chức dữ liệu từ hồ sơ sức khỏe điện tử (EHR) để tự động tạo ra các bản tóm tắt chuyên sâu về tình trạng bệnh hiện tại, dòng thời gian điều trị, dấu ấn sinh học và các lựa chọn thử nghiệm . Nó cũng hỗ trợ phân tích nhóm thuần tập và báo cáo ung thư chính xác .

Trong đợt kiểm chứng ban đầu với Đại học Y Wisconsin, OncoLLM được báo cáo đã tìm ra 90% bệnh nhân đủ điều kiện cho các thử nghiệm lâm sàng chỉ trong vài phút—một công việc đáng lẽ phải tiêu tốn nhiều ngày hoặc nhiều tuần của các y tá có chuyên môn . Cùng một nguồn tin cho biết OncoLLM trích xuất dữ liệu có cấu trúc từ các ghi chú phi cấu trúc với độ chính xác tương đương hoặc cao hơn các mô hình như GPT-4 hay Claude, trong khi chi phí vận hành chỉ bằng khoảng 1/40 .

Dòng tiền và đà tăng trưởng

Vòng Series B 22 triệu USD diễn ra sau vòng Series A 15 triệu USD được huy động vào năm 2024 . Số vốn này sẽ được sử dụng để thúc đẩy việc áp dụng trên khắp các hệ thống y tế và tăng cường tích hợp với hồ sơ sức khỏe điện tử . Công ty không công khai các số liệu tăng trưởng chi tiết như doanh thu định kỳ hàng năm (ARR) hay số lượng khách hàng doanh nghiệp, dù thông cáo gọi vốn định vị đây là nền tảng được các trung tâm ung thư hàng đầu tin tưởng .

Điều có thể kiểm chứng công khai chính là danh sách khách hàng. Triomics đã đảm bảo các thỏa thuận triển khai với những tổ chức danh tiếng:

• Trung tâm Ung thư Memorial Sloan Kettering (MSK): Thông qua các chương trình iHub và CRIC, MSK đang triển khai hệ thống kết nối và sàng lọc thử nghiệm lâm sàng trên tất cả các thử nghiệm đang hoạt động của mình .
• Trung tâm Ung thư Tisch, Mount Sinai: Ra mắt nền tảng PRISM sử dụng OncoLLM, trở thành Trung tâm Ung thư Toàn diện đầu tiên được NCI chỉ định tại Thành phố New York triển khai công cụ AI chuyên biệt cho ung thư để kết nối thử nghiệm .
• Trung tâm Ung thư Yale và Bệnh viện Ung thư Smilow: Mở rộng sử dụng nền tảng trên toàn bộ danh mục các thử nghiệm lâm sàng ung thư đang hoạt động, với kết quả được công bố trên tạp chí Nature Digital Medicine .

Cạnh tranh: Chuyên biệt hóa theo chiều dọc vs. Công cụ tổng quát

Triomics bước vào một thị trường vốn đã chật chội với các công cụ AI ghi chép tự động và tài liệu lâm sàng như Nuance DAX Copilot của Microsoft và Abridge. Tuy nhiên, điểm khác biệt của nó chính là sự chuyên biệt hóa theo chiều dọc.

Các công cụ AI đa năng được thiết kế để ghi chép lâm sàng trên nhiều chuyên khoa—tóm tắt cuộc trò chuyện giữa bác sĩ và bệnh nhân trong lúc khám. Ngược lại, Triomics chỉ tập trung vào các quy trình ung thư liên quan đến khối lượng lớn dữ liệu phi cấu trúc dạng văn bản dài, trải dài theo năm tháng trong lịch sử bệnh nhân . AI của họ đọc toàn bộ hồ sơ bệnh nhân, tạo ra một bức tranh có cấu trúc, có trích dẫn trước khi khám, trong khi sàng lọc và sau cuộc hẹn .

Đội ngũ lãnh đạo của công ty còn thành lập Liên minh Đào tạo Mô hình Ngôn ngữ Lớn Tập trung cho Ung thư (COLT), một tập hợp hơn 20 trung tâm ung thư được NCI chỉ định cùng với Ci4CC để tạo ra các chuẩn hiệu suất và tiêu chuẩn an toàn cho AI tạo sinh trong ung thư . Điều này định vị Triomics như một bên tham gia thiết lập các hàng rào kỹ thuật, chứ không chỉ đơn thuần là xây dựng một sản phẩm.

Tương lai nào cho AI chuyên biệt trong ung thư?

Khoản đầu tư 22 triệu USD phát đi một luận điểm lớn hơn đang hình thành trong ngành công nghệ y tế: sự phức tạp dữ liệu của ngành ung thư đòi hỏi cơ sở hạ tầng chuyên biệt, chứ không chỉ là một chatbot đa năng được tùy chỉnh lại . Khi các trung tâm ung thư phải đối mặt với áp lực ngày càng tăng trong việc kết nối bệnh nhân với các liệu pháp chính xác và thử nghiệm lâm sàng, việc giải quyết nút thắt này đang trở thành một lợi thế cạnh tranh sống còn.

Liệu Triomics có thể duy trì lợi thế của người tiên phong trước những đối thủ tổng quát có tiềm lực tài chính mạnh và các nhà cung cấp EHR doanh nghiệp hay không vẫn là một câu hỏi mở. Nhưng với việc đã được triển khai tại MSK, Yale và Mount Sinai, cùng tổng số tiền huy động lên tới 36 triệu USD, công ty đã vượt qua giai đoạn chứng minh khái niệm để bước vào hoạt động lâm sàng ở quy mô thực tế. Một năm tới sẽ là phép thử thực sự cho thấy liệu AI chuyên biệt có thể thực hiện lời hứa của mình trong một trong những lĩnh vực ngập tràn dữ liệu nhất của y học hay không.