Triomics 获 2200 万美元 B 轮融资：为什么肿瘤学需要专用的 AI，而非通用工具

核心痛点：非结构化数据令临床人员不堪重负

大约 80% 的医疗数据以非结构化格式存在，例如医生的自由文本笔记，而只有 20% 的数据存储在统一的、结构化的字段中，比如化验值和人口统计信息 。这种不平衡意味着，训练有素的肿瘤科工作人员需要花费数小时手动翻阅病历，以支持临床试验匹配、患者就诊准备和癌症登记报告等关键工作流程 。

这种手动流程有实实在在的后果。它造成了临床试验入组的瓶颈——根据美国国家癌症研究所的说法，临床试验对于管理治疗副作用和测试新疗法至关重要 。这也导致了所谓的“睡衣时间”，即临床医生在下班后还要继续加班处理行政工作 。Triomics 正是瞄准了这一痛点，通过自动化实现对每位患者数百页病历的摄取和推理。

OncoLLM 如何运作：针对肿瘤学的专用 AI 架构

Triomics 的平台由 OncoLLM 驱动，这是一个专为肿瘤学打造的企业级 AI 框架 。OncoLLM 并非单一的大模型，而是被描述为由 8 个模型组成的模型群，参数范围涵盖 30 亿到 720 亿不等，以智能体方式协同工作 。这种设计允许系统在患者层面解读信息，对纵向病历进行整体推理，而非逐一分析文档。

这种技术路线有意偏离了以往的命名实体识别或关系提取方法 。该公司还利用了微软的 Azure AI 和 OpenAI 服务，包括对小型语言模型 Phi-3.5 进行微调，以便从海量非结构化数据中解析关键的临床信息 。据微软称，这种集成使该平台能够在一分钟内对照数百项正在进行的临床试验自动审查患者的完整病历 。

OncoLLM 之上运行着两款核心软件产品：

• Prism：自动将每位即将就诊的患者与整个试验库进行匹配，并每日或每周直接将匹配结果推送到医生的工作流程中，同时提供包含逐条标准比对依据和源文档引用的详细理由 。
• Harmony：整理电子病历数据，自动生成专家级的患者摘要，内容包括当前疾病状态、治疗时间线、生物标志物和可选试验方案 。它还支持队列分析和精准肿瘤学报告 。

在与威斯康星医学院的早期验证中，据报道 OncoLLM 在几分钟内就找到了 90% 符合临床试验条件的患者——而这项任务若由合格的护士来完成，则需要数天甚至数周 。同一消息来源指出，OncoLLM 从非结构化笔记中提取结构化数据的准确度与 GPT-4 或 Claude 等模型相当甚至更高，但运行成本大约是它们的四十分之一 。

融资与市场吸引力

这轮 2200 万美元的 B 轮融资紧随其 2024 年筹集的 1500 万美元 A 轮融资之后 。这笔资金将用于加速在医疗系统中的推广，并深化与电子病历系统的集成 。该公司未公开披露详细的增长指标，如年度经常性收入或企业客户数量，但融资公告将其定位为受顶尖癌症中心信赖的合作伙伴 。

其公开可查的客户名单证明了这一点。Triomics 已与多家权威机构签署了部署协议：

• 纪念斯隆·凯特琳癌症中心 (MSK)：通过 iHub 和 CRIC 项目，MSK 正在其活跃的临床试验中部署该 AI 临床试验匹配和筛选系统 。
• 西奈山蒂施癌症中心：推出了由 OncoLLM 驱动的 PRISM 平台，成为纽约市首个部署肿瘤学专用 AI 工具进行试验匹配的 NCI 指定综合癌症中心 。
• 耶鲁癌症中心和斯米洛癌症医院：在其全部活跃的肿瘤临床试验中扩大了该平台的使用，相关成果已发表在《自然-数字医学》期刊上 。

竞争定位：垂直领域深度 vs. 通用型工具

Triomics 进入的市场充斥着诸如微软的 Nuance DAX Copilot 和 Abridge 这类环境 AI 记录员和临床文档工具。然而，其差异化优势在于垂直领域的专注度。

通用 AI 记录员旨在跨越不同专科进行广泛的临床文档处理——例如总结医生和患者在预约期间的对话。相比之下，Triomics 只专注于肿瘤学工作流程，这些流程涉及跨越数年病史的海量、长篇非结构化数据 。它的 AI 会阅读整个病历，在患者就诊前、筛选期间和就诊后，生成结构化、带引用的患者视图 。

该公司领导层还发起成立了专注于肿瘤学大模型训练的联盟 COLT（Collaboration for Oncology focused LLM Training），这是一个由超过 20 个 NCI 指定的癌症中心和 Ci4CC 组成的联合体，旨在为肿瘤学领域的生成式 AI 建立性能基准和安全标准 。这使得 Triomics 成为制定规则的参与者，而不仅仅是开发产品的厂商。

肿瘤学专用 AI 的下一步是什么？

这轮 2200 万美元的融资揭示了一个在健康科技领域逐渐形成的更广泛论题：肿瘤学的数据复杂性需要专用的基础设施，而非重新包装的通用聊天机器人 。随着癌症中心面临越来越大的压力，需要将更多患者与精准疗法和临床试验相匹配，数据处理的瓶颈已成为必须解决的竞争要务。

Triomics 能否在资金雄厚的通用方案提供商和企业级电子病历供应商面前保持其先发优势，现在仍无定论。但凭借在 MSK、耶鲁和西奈山的部署，以及总计超过 3600 万美元的融资，它已经超越了概念验证阶段，进入了规模化临床运营。接下来的时间将检验垂直领域的 AI 能否在医学这个数据最密集的领域之一兑现其承诺。