检测周期缩短90%，PreciseDx如何用 AI为乳腺癌患者抢出3周黄金治疗窗口？

PreciseDx在2024年8月宣布完成2070万美元B轮融资，投资者包括LabCorp、Agilent Technologies等医疗诊断机构，也有Merck Global Health Innovation Fund等产业资本。

2025年6月，公司再获1120万美元B轮追加融资，总融资额累计4270万美元。

资本支持背后是对其“AI+肿瘤形态学”技术路径的认可——这家成立于2019年的年轻公司凭借专有技术平台Precise breast，将乳腺癌复发风险评估时间从传统基因检测的平均耗时22天压缩至56小时，成本降低80%。

病理学＋AI研发背景，布局47项全球专利

AI研发背景与敏锐的临床经验是团队能够快速识别市场需求的起点。

创始人Carlos Cordon-Cardo作为西奈山医学院病理学系主任，他在肿瘤形态学领域积累了数十年的临床数据。这些临床数据成为PreciseDx技术研发的重要学习素材。首席科学官GerardoFernandez医学博士则兼具病理学与AI研发背景。

创始团队在临床工作中发现，确定乳腺癌复发可能性的风险评估存在诸多不足。一方面，基因表达测试虽让乳腺癌患者受益，但其价格昂贵，单人筛查成本高昂。

同时，报告产出通常需两到四周时间，存在滞后性，这可能导致治疗决定延迟，医生和患者难以获得准确、及时的诊断信息，影响治疗决策的科学性和及时性。

团队独特的专利技术是打破这一诊断局限的关键。

截至2025年6月，公司已在全球申请47项专利，核心专利覆盖MFA形态特征阵列（Morphometric Feature Array,MFA）特征提取算法、多模态病理图像融合分析方法以及基于AI的复发风险动态更新模型。

三步完成癌症检测：更快、更精准、更可靠

传统乳腺癌风险评估依赖医生主观判读或基因检测，前者主观性强。后者则耗时长且成本高。

作为旗舰产品，Precise breast临床价值体现在全流程效率大幅提升与患者差异性精准分层的双重突破。

与基因检测对比

在检测流程上，传统21基因检测需经历样本冷链运输、RNA提取、基因扩增等12个步骤，耗时14～28天。而Precise breast的检测流程仅需三步。

首先，对病理切片开展数字化扫描工作，扫描分辨率能够达到200nm/像素，这一步可精准获取切片的微观图像信息，为后续分析奠定基础。

接着，将扫描所得的图像数据输入AI平台，由平台自动进行分析，整个运算过程耗时不超过2小时即可对肿瘤相关特征深度解析。

最后，基于AI分析结果，生成结构化报告，报告中不仅包含乳腺癌复发风险分数，还会给出针对性临床建议，为医生制定诊疗方案提供有力支撑。

Precise Breast数据监测结果显示

这种流程优化带来的临床效益不仅直接体现在治疗决策时效上，还具备个性化治疗方案的优化特征。

临床数据显示，使用Precise breast后，患者从病理确诊到制定治疗方案的时间从平均22天缩短至56小时，其中低风险患者的化疗避免率提升37%，显著减少了过度治疗风险。

据官网新闻，Precise breast已获得美国CLEP认证（临床实验室评估计划，ClinicalLaboratoryEvaluationProgram），是少数通过CLEP严苛验证的非基因检测类产品。

CLEP是纽约州卫生部（NYSDOH）依据《临床实验室改进修正案》（CLIA）设立的地方性强化认证，专门针对实验室开发检测（LDT）或创新诊断技术。CLEP认证不仅是对Precise breast的技术认可，也证明了AI形态学分析能以更低成本、更快速度，为复杂亚型乳腺癌助力。

技术平台可拓展，从乳腺癌到全癌种渗透

Precise breast通过形态学特征直接反映肿瘤生物学行为，在HER2阳性、三阴性等特殊亚型中均保持预测效力。其技术突破得益于MFA与OncoIntelligence人工智能平台的有效结合。

MFA并非传统意义上的病理特征提取工具，而是通过超分辨率图像分析技术，将病理切片中的细胞核形态、组织结构、血管分布等137项形态学参数进行数字化编码，形成标准化的特征向量数据库。

这种编码方式突破了传统病理报告“定性描述”的局限——以细胞核为例，MFA可量化核面积、周长、不规则度等23项几何特征，使病理信息从主观描述转化为可计算的客观数据。

OncoIntelligence平台则采用多模态深度学习架构，核心算法包含三层处理逻辑：

■ 图像预处理层：

利用卷积神经网络（CNN）对H&E切片进行杂质过滤与特征增强，解决传统病理切片染色不均、组织折叠等干扰问题；

■ 特征融合层：

将MFA提取的形态学特征与临床数据（肿瘤大小、淋巴结状态、患者年龄等4个维度）进行时空对齐，通过注意力机制（Attention Mechanism）识别关键风险因子；

■ 预测决策层：

基于长短期记忆网络（LSTM）构建复发风险预测模型，输出0-100分的OncoIntelligence分数，其中≥70分定义为高风险队列，≤30分为低风险队列，中间区间为中等风险。

这种架构的独特性在于“形态学优先”的设计理念。这一设计是通过AI解析标准H&E染色切片的形态特征（如细胞核大小、组织结构紊乱程度等），直接反映肿瘤严重程度的解析行为来实现的。

PreciseDx的算法仅需标准H&E切片（Hematoxylin and Eosin Staining，通过对生物组织切片进行苏木精（Hematoxylin）和伊红（Eosin）双染色，使细胞结构在显微镜下呈现鲜明对比），无需额外的免疫组化（IHC）或基因测序步骤，这使其在资源有限的基层医院也能普及。

官网数据显示，该平台对乳腺癌复发风险的预测准确率较传统病理分级提升41%，尤其在三阴性乳腺癌等难分型病例中优势更显著。

此外，丰富的临床数据积累模式使PreciseDx的AI模型拥有“越用越准”的特性。2024—2025年，Precise breast的复发风险预测AUC值从0.91提升至0.94，每新增1000例标注病例，模型预测精度提升2.3%。

不过，PreciseDx的技术野心并不局限于乳腺癌领域，其OncoIntelligence平台正通过模块化升级向多癌种渗透。2025年公布的研发路线图显示，公司已启动肺癌、结直肠癌、前列腺癌三大癌种的AI模型开发。

构建医院、高校合作网络，技术验证到市场渗透

PreciseDx的合作网络构建呈现清晰的战略梯度：

第一阶段（2024年）聚焦技术公信力建设，选择与COTA和BaptistHealth合作。前者拥有全美丰富的肿瘤真实世界数据库，后者是佛罗里达州最大的医疗系统，这种组合既能提供多样化的患者数据优化算法，又能通过临床实践积累证据。

第二阶段（2025年）转向产业资源整合，与LabCorp、Quest Diagnostics等第三方检验巨头建立合作，借助其全国性物流网络和客户基础，快速扩大检测服务覆盖范围。

第三阶段则瞄准学术高地，与加州大学洛杉矶分校合作开展三阴性乳腺癌复发预测研究，强化在难治性肿瘤领域的技术话语权。

这种“临床验证－产业落地－学术引领”的路径，与卫生保健组织、诊疗一体化等主体拓展逻辑高度契合。这也是吸引企业投资的重要原因——他们看中的不仅是PreciseDx的技术，更是其构建的“AI诊断－治疗决策－疗效监测”生态闭环。

截至2025年6月，PreciseDx已经历三轮融资，累计融资额为4270万美元：

PreciseDx历史融资情况

这种融资节奏与公司的商业化进程同步推进。以2025年6月的1120万美元追加融资为例，投资方Eventide表示，资金将用于Precise breast的全球注册和商业化，尤其是加速进入欧洲CE市场和中国NMPA审批流程。

值得注意的是，公司在融资过程中引入产业资本而非单纯财务投资者——LabCorp作为全球检验龙头，可提供临床实验室网络用于检测服务落地，这种“资本+资源”的注入模式，让PreciseDx的扩张效率逐步增强。

写在最后：尚待打破质疑的AI癌症诊断

尽管Precise breast能大幅提高癌症检测效率，增强决策能力。但是复杂的肿瘤判断问题真的能完全交由AI处理吗，在这一点上病理学界还存在诸多担忧。

一方面是决策可解释性。传统病理诊断依赖可视化特征，而AI模型的决策逻辑难以直观呈现，AI算法背后的运作逻辑难以验证，存在透明性问题。另一方面是责任界定模糊性。当AI诊断结果与病理医生判断冲突时，究竟该如何判断其最终解释权，责任归属尚存在不明确的风险。

不过，对国内医疗创新企业而言，PreciseDx的崛起揭示了三条关键路径：其一，技术研发必须锚定临床真问题，而非单纯追求算法精度；其二，生态合作优先于单打独斗，尤其是与头部医疗机构和产业资本的绑定；其三，资本运作需服务于商业落地，每一轮融资都应对应明确的市场里程碑，让AI医疗从概念走向落地。

本文来自微信公众号“动脉网”（ID：vcbeat），作者：喻铭，36氪经授权发布。