在医疗AI快速发展的背景下，一家欧洲初创公司正致力于解决肿瘤学中的核心多模态挑战。
医疗AI的应用正在逐步扩大。尽管在许多临床和管理领域已经出现了成功的AI应用，但肿瘤学中复杂决策所面临的挑战却让当前的方法难以应对。尽管在该领域投入了巨额资金，并广泛开展了试点项目，AI在特定任务中的能力与专家肿瘤学实践中所需的综合推理之间仍存在差距。
这一挑战不仅关乎计算能力或数据的可得性。目前的AI系统在分析单一数据类型方面表现出色，但在临床实践中所需的跨模态推理方面却力有不逮。在癌症治疗中，治疗决策需要同时分析影像扫描、基因组档案、病理报告和临床病史——而这些不是作为孤立的评估来支持个别工作流程步骤，而是作为相互关联的评估，其中某一来源的发现会不断影响对其他所有来源的解读。
“癌症的复杂性是巨大的，”荷兰-瑞士公司kaiko.ai的联合创始人兼首席技术官Robert Berke解释道。“但拥有数据并不能解决解读海量信息及其相互关系的问题——这才是真正的价值所在。”
多模态整合的挑战
肿瘤科医生在查看患者的CT扫描时并不是孤立地分析图像。他们会通过不断整合影像结果、基因检测结果、治疗史和临床笔记来建立一个动态的理解。一个可疑的病变可能会促使进行额外的分子检测，其结果又会重新定义对先前扫描的解读并指导治疗计划。
这种跨模态推理对于癌症护理至关重要。然而，目前的AI系统是为特定临床任务而设计的，因此无法在不同数据类型和任务之间进行综合洞察，而这些正是更复杂的决策所需要的。研究表明，多模态AI方法在诊断准确性和预后预测方面始终优于这些单模态系统，这凸显了当前AI运作方式与实际医学实践之间的不匹配。
“癌症的洞察来自于连接不同的医学专科，”Berke说道。“我们需要AI能够模仿这种建立完整临床图景的迭代过程，同时使用起来就像进行一场对话一样简单。”
构建kaiko.w：支持临床推理的AI
总部设在阿姆斯特丹和苏黎世的kaiko.ai专注于这一核心技术挑战，推出了kaiko.w——一款旨在跨模态推理以支持整个患者旅程中的肿瘤学团队的AI助手。kaiko.ai的欧洲基地使其能够实现欧盟境内的数据驻留，并符合严格的医疗数据法规——解决了许多医院因隐私担忧而不愿采用基于美国的AI工具的问题。
这一愿景促使kaiko.ai开发了专门的多模态基础模型，这些模型为kaiko.w提供动力——这些AI系统专门针对肿瘤学数据进行了训练，以理解临床文本、医学影像和基因组信息之间的联系。与将通用AI改造用于医疗用途不同，这些模型从零开始构建，以处理癌症护理的独特复杂性。这种架构使专家能够通过自然语言对话与所有数据类型互动。
kaiko.w不是一个为特定任务构建点解决方案的AI助手，而是一个能够自主执行多个肿瘤学专科复杂临床工作流程的代理AI助手，为肿瘤科医生、放射科医生和病理学家提供全面的洞察和决策支持。
“我们正在构建一种肿瘤学AI，使每一个临床决策都能受益于专家级的AI洞察，”Berke解释道。这一愿景包括一种能够无缝集成到现有临床流程中的AI，设计上可以扩展到不同的癌症类型、专科和机构环境。
临床合作伙伴的优势
该公司与欧洲领先癌症研究中心之一——荷兰癌症研究所（NKI-AVL）长达四年的合作带来了重要启示：脱离临床实践开发AI会带来系统性劣势。通过这一合作，kaiko.ai在真实的医院环境中测试和优化其系统——识别出只有在实际临床环境中才会显现的工作流程整合挑战和数据质量问题。
“临床合作不仅仅是关于验证，”Berke解释道。“它们也是关于理解医学在实践中是如何运作的，而不是我们想象它如何运作。”这种实际部署方法使公司能够解决模型在研究数据集上训练后进入现实临床环境时出现的性能差距，AI输出结果必须如何以适合忙碌临床医生的方式呈现，与现有医院系统的整合点，以及持续改进所需的反馈机制。
Berke指出：“脱离临床实践开发AI的公司在后期几乎无法弥补验证上的差距。我们从第一天起就将开发流程建立在持续的临床反馈之上。”
这一合作还为kaiko.w提供了必要的高质量、关联数据集的数量和多样性，以训练其背后的多模态AI系统——这是纯技术公司往往缺乏的关键优势。
从聊天到临床推理
kaiko.w的首次发布功能是安全的AI聊天，提供临床医生重视的对话体验，但具备医院级安全、欧盟数据驻留以及对临床指南和医学知识的访问。字母“w”代表“double-you”（双U），即您的个性化助手，它能扩展您的知识和分析能力，同时学习您的偏好和工作流程模式。
“我们在构建未来的同时解决当前的即时问题，”Berke说道。kaiko.w的路线图是系统推进的：从最初的聊天功能到会诊协助，自动整合患者就诊前的数据，然后是肿瘤分析的影像诊断支持，最终实现全面的临床推理愿景，能够支持所有癌症类型的复杂工作流程。
对癌症护理的影响
随着癌症病例预计到2050年将增加77%，医疗系统面临着在地理和机构边界之外扩展专家级洞察的巨大压力。当前的肿瘤学AI方法——解决个别任务的点解决方案——无法有效应对这一挑战。
Berke表示：“潜力在于为肿瘤学专家提供一个终极工具，以应对癌症的复杂性。AI将专家从耗时的数据任务中解放出来——查找、加载、分析——同时通过自然对话提供专家级的推理和洞察。”
这一愿景代表着从“AI辅助”向“原生AI”的癌症护理转变。在未来，癌症护理的工作流程将围绕AI能力进行根本性重构，其成功不仅由技术能力衡量，还由临床采纳、工作流程整合以及最终的患者结果来衡量。
Berke总结道：“我们的目标不是构建令人印象深刻的AI。而是构建真正改善癌症护理的AI——而这需要对技术和医学有最深层次的理解。”
【全文结束】
