Epsilon Health A 轮融资押注围绕 AI 构建的放射科诊疗业务
Epsilon Health 结束隐身模式，宣布获得 2,000 万美元 A 轮融资；相比又一次推出放射学软件，它押下了更明确的一注：利用自身 AI 来运营医疗诊疗机构。
由 AlleyCorp 领投的 Epsilon Health A 轮融资，是该公司披露的 2,760 万美元总融资的一部分。Uncork Capital、Renegade Partners、SemperVirens 和 Jack Altman 也参与了投资。这笔融资于 2026 年 9 月 10 日宣布。
这种架构形成了核心张力。Rad AI 和 Aidoc 等成熟供应商向医疗机构销售技术，而 Epsilon 则与放射科医生签约，并将自己的软件嵌入其提供的临床服务中。
这属于纵向整合，即公司同时控制技术以及应用该技术的运营环节。Epsilon 可以重新设计工作流程，而无需等待每家医院集成一款独立产品。
它也因此承担了软件供应商可以留给客户的责任。Epsilon 必须招募医生、维持服务覆盖、保护患者数据、管理临床质量，并交付可靠的报告。
因此，这笔融资支持的不只是模型开发。它为一项测试提供资金：一家 AI 公司能否在不削弱医生问责制的前提下，成为规模化医疗服务提供商。
Epsilon Health A 轮融资支持的是医疗诊疗机构，而不只是软件
关键并不在于融资金额。Epsilon 正利用风险投资，围绕其 AI 建立临床运营体系。
Axios 将这笔 2,000 万美元 A 轮融资报道为 Epsilon 结束隐身模式时获得的融资。该公司更广泛的公告则称，其获得了由 AlleyCorp 领投的 2,760 万美元总融资。
这些数字对应不同的融资范围，并不一定意味着交易存在冲突。A 轮融资是新一轮机构融资，而较大的数字代表 Epsilon 已披露的融资总额。
Epsilon 将自己定义为一家 AI 原生放射科诊疗机构。具体而言，它与获得委员会认证的放射科医生签约，由他们解读影像检查，并使用 Epsilon 的系统更高效地生成报告。
该公司并非在推广一种将未经审核的诊断直接发给患者的自主系统。根据 Epsilon 的公告，医生仍对影像解读负责。
这一区别至关重要，因为放射科报告是一种临床产品。它将影像、患者病史、既往检查以及放射科医生的判断，转化为指导治疗的信息。
Epsilon 表示，其软件支持围绕这一判断展开的各个步骤，包括病例分流、信息检索、报告起草、与既往检查对比以及质量检查。
该公司尚未公开提供足够的技术文档，无法判断其 AI 在每份报告中具体生成了多少内容。它也未说明其工作流程如何因不同影像检查类型而异。
不过，Epsilon 已披露早期运营数据。该公司称，已服务超过 25 万名患者，每天处理逾 2,500 项影像检查。
该公司还称，它承担了美国最大门诊影像服务提供商之一超过一半的影像业务量，但尚未公开该客户名称。
Epsilon 进一步表示，预计将在 2026 年解读美国每日 X 光检查量的 1%。公告没有提供全国总量这一分母，也没有将 X 光检查从其总检查量中单独拆分。
因此，这些数字应被视为公司自行报告的运营指标。在随融资发布的材料中，它们尚未经过独立审计。
即便存在这一限制，所披露的业务量仍说明了投资者为何看到的不只是一次实验室试验。Epsilon 已在真实临床工作流程中运营，而速度、可靠性和服务覆盖每天都会影响客户。
AlleyCorp 的医疗健康投资组合将 Epsilon 列为专注于AI 原生放射学的投资项目。该公司的角色也契合其在医疗劳动力和服务型企业方面的经验。
AlleyCorp 普通合伙人兼医生 Alexi Nazem 认为，Epsilon 可以将稀缺的放射学专业能力延伸至更多患者。他的观点将生产率视为投资论点的核心。
Epsilon 表示，将把新资金用于招聘、临床合作、基础设施和地域扩张。每一项都揭示了该公司的运营属性。
普通软件供应商可以在不雇用实际提供底层服务的专业人员的情况下增加客户。Epsilon 的增长则仍受软件能力和医生供给的双重制约。
这使其资本需求有所不同。它需要工程人才和计算资源，也需要医疗领导力、资质认证系统、排班、合规能力和可靠的临床运营。
因此，Epsilon Health A 轮融资押注的是协同执行。仅仅改善报告生成，并不能打造出一家具有持久竞争力的放射科诊疗机构。
该公司必须将这项技术转化为更快的交付，同时保持准确性。随后，它还必须在客户、医生、地点和患者群体之间复制这一成果。
放射科医生的服务能力，是投资者希望 Epsilon 解决的问题
Epsilon 进入的是一个影像需求和临床工作量持续增长、而培养更多放射科医生需要多年时间的市场。
美国放射学会将劳动力短缺和影像检查量增加描述为放射学面临的两大运营威胁。这两种压力彼此强化。
更多检查意味着更长的工作清单。更长的工作清单会提高工作强度，可能导致职业倦怠、工时减少以及从业者离开该行业。
该组织引用的劳动力研究提供了更多细节。2014 年至 2022 年间，放射科医生年度流失率增长超过一倍，从 1.1% 上升至 2.5%。
同一研究发现，亚专科医生离开劳动力市场的可能性比全科医生高 37%。设有农村服务点的诊疗机构，其人员流失率比没有此类服务点的机构高 16%。
需求也并未停滞。该学会引用的 Neiman Health Policy Institute 预测显示，到 2055 年，MRI 使用量将增长 17%，CT 使用量预计将增长 25%。
仅靠劳动力增长难以轻松弥合这一缺口。住院医师培训名额可以扩大，但医学培训无法按照软件发布的节奏培养出经验丰富的专科医生。
放射科诊疗机构通过整合、远程阅片、亚专科分配和工作流程自动化作出回应。2014 年至 2023 年，与放射科医生关联的诊疗机构数量下降了 14.7%。
同期，放射科医生人数增长了 17.3%。平均诊疗机构规模从 9.7 名增至 17.9 名放射科医生，反映出行业正转向更大的组织。
Epsilon 以技术公司和整合型服务提供商的双重身份进入这一转型。它的主张是，工作流程软件可以提高每位签约医生的产出。
设想一家晚间存在积压的门诊影像中心。该中心需要具备资质的阅片医生、及时的报告、与早期扫描的对比，以及对紧急发现的沟通。
一款独立 AI 产品或许可以起草影像印象，或优先处理可疑病例。但影像中心仍需将该工具与报告系统、放射科医生及质量流程协调起来。
Epsilon 则通过围绕自身软件设计的诊疗机构提供影像解读服务。客户购买的是临床服务能力，而不是自行拼装每一个技术组件。
这种方法可以降低医疗 AI 采用过程中的一个重要障碍。即使算法的准确性看起来很有前景，医院也很少孤立地购买一项算法。
机构必须将该工具连接到影像档案、报告软件、患者记录以及现有的沟通流程中，还必须培训用户并监控故障。
这些集成要求有助于解释，为何放射学 AI 的实际部署历来落后于监管批准。算法可用，并不保证其会成为日常工具。
美联社对临床 AI 采用情况的调查发现，人们仍持续担忧真实世界测试、透明度以及训练数据所代表的人群。
Epsilon 的模式通过将部署纳入诊疗机构内部来应对集成问题。其工程师可以观察临床医生如何使用系统，并集中调整工作流程。
该公司称，这种运营方式会产生专有数据集和持续反馈循环。每一个完成的病例都可能揭示软件在哪些方面提供帮助、需要修正或增加了摩擦。
这种数据优势仍是公司的说法，其价值并不只取决于规模。Epsilon 还需要严格的标注、具有代表性的病例、安全治理以及来自医生的可靠反馈。
这种激励结构仍值得关注。软件供应商即使在临床医生未能持续使用其产品的情况下，也可能在部署后获得报酬。
当 Epsilon 的放射科医生高效完成高质量解读时，公司能获取更多价值；当工作流程失效或报告需要额外审核时，它也承担更多成本。
这种一致性正是该公司的方法吸引投资者的原因。诊疗机构既成为面向客户的产品，也成为技术不断改进的环境。
它也给传统远程放射学服务集团带来压力。这些企业本已出售远程医生服务能力，但其技术体系并不总是围绕生成式 AI 构建。
Epsilon 面临的挑战是证明，以 AI 为中心的工作流程能够带来超越现代排班、语音录入和远程分配的可衡量收益。效率不能只停留在内部宣称。
掌控工作流程改变了放射学 AI 的竞争格局
Epsilon 的主要对手是独立软件模式：供应商出售工具，而医疗机构保留部署风险。
放射学 AI 已形成多个产品类别。一些系统用于检测异常，一些用于调整工作清单排序，另一些则协助报告撰写或后续随访。
Aidoc 主要专注于影像分析和临床协调。其软件可以标记可能紧急的发现，并将病例移至放射科医生队列中更靠前的位置。
Rad AI 专注于报告工作流程。其产品帮助放射科医生起草影像印象、口述发现，并管理建议进行的后续护理。
Rad AI 于 2025 年宣布完成 6,000 万美元 C 轮融资，并表示该融资对其估值为 5.25 亿美元。其报告平台表明，投资者已经将报告生成视为一个庞大的软件类别。
Aidoc 在 2026 年融资 1.5 亿美元，截至该笔融资时已获得 31 项 FDA 批准。其系统覆盖从分诊到腹部异常发现等多种应用场景。
两家公司都可以通过现有临床机构分发软件。这种轻资产方式使它们无需运营每一家使用其产品的放射科诊疗机构，便可服务客户。
Epsilon 的结构以部分灵活性换取了更强的控制力。它能够标准化报告环境、汇集修正意见，并在其签约网络内调整运营。
这种差异类似于开一家餐厅，而不是销售厨房设备。餐厅掌控菜单和服务，但必须确保每一餐都准确交付。
对 Epsilon 而言，每一份完成的报告都带来临床和商业层面的影响。解读延迟可能干扰患者照护，而报告不准确则可能造成严重伤害。
这种直接暴露有助于改善产品开发。工程师能够从决定公司成败的同一套运营体系中获得反馈。
然而，控制力并不能消除集成工作。Epsilon 仍必须连接客户的影像归档系统、电子病历、开单系统和沟通渠道。
其模式也无法消除本地差异。不同影像服务提供方采用不同的流程、设备、模板和升级处理程序。
公司必须让工作流程具有足够的一致性以实现规模化，同时尊重这些差异。这比优化单一演示数据集复杂得多。
传统远程放射学服务商是另一个重要参照。vRad 等公司长期以来一直为医院和影像中心的检查匹配远程放射科医师。
它们已深谙资质认证、跨州覆盖、工作列表管理和全天候服务。其运营经验构成了重要的竞争壁垒。
因此，Epsilon 的技术必须带来的提升不止是报告措辞。它需要在完整阅片流程中提供更好的经济效益或服务水平。
更快的初稿生成固然有帮助，但放射科医师还需花时间查阅既往检查、核对临床病史、测量发现、联系临床医生并记录建议。
最有价值的系统应在这些环节中减少阻力，而不增加额外的核验工作。需要大幅修改的初稿，只是将工作量转移到了别处。
这正是垂直整合可能成为实质优势的地方。Epsilon 可以围绕实际观察到的瓶颈设计软件，而不是向众多互不关联的客户销售固定功能。
它还可以决定哪些任务继续由人主导。系统可以起草常规文本，同时让放射科医师专注于影像解读和不确定的发现。
这种分工不同于“AI 将取代放射科医师”的旧有预测。它将医生时间视为稀缺资源，将软件视为产能倍增器。
更广泛的市场也在朝同一方向发展。美国大型医疗机构 Radiology Partners 已在其网络内部署多款 AI 产品，而非依赖单一通用模型。
其方案包括用于报告印象、影像分诊、采集质量和质量保证的工具。这支持了这样一种观点：放射学 AI 是一层工作流能力。
Epsilon 正试图将这一层能力内化。它不希望让外部医疗机构协调多个供应商，而是希望交付最终的临床服务。
若取得成功，这将迫使软件供应商证明，客户无需交出工作流控制权也能获得相当的收益。它也将迫使远程放射学团队升级其报告系统。
若失败，则会强化独立工具模式。医院可能会认为，购买模块化工具比依赖由技术公司控制的医疗机构更具灵活性。
Epsilon Health 的 A 轮融资为这场竞争提供资金，但融资并不能解决它。胜者将由可重复的临床表现和客户留存决定。
更快的 AI 报告仍需要独立临床证据
Epsilon 最大的不确定性在于，更高的吞吐量能否在不同医生、客户和患者群体中经受严格的质量衡量。
该公司表示，其 AI 可帮助放射科医师更快、更一致地生成报告。这些说法合乎情理，但公开公告并未包含独立临床研究。
它没有报告敏感性、特异性、错误率、修正率，或不同影像模态之间的性能差异。它也没有描述与标准工作流进行的受控比较。
仅凭吞吐量无法证明临床价值。一家医疗机构可以处理更多检查，但同时引入遗漏、假阳性、表述不清或额外的后续工作。
报告生成与影像分类存在不同风险。一份生成的报告必须准确关联发现、测量结果、不确定性、病史和建议。
一句润色得体的话仍可能包含具有临床重要性的错误。流畅的表达甚至可能让错误更难在仓促审阅中被发现。
因此，医生监督仍居于核心地位。放射科医师必须在签署报告前判断初稿是否与影像和临床背景相符。
这一步审阅能够保护患者，但也可能限制生产率提升。如果医生必须仔细核验每一句生成的表述，系统节省的时间可能低于预期。
人为因素在此十分重要。当系统通常看似准确时，人们可能会对机器输出赋予过高权重，这种现象称为自动化偏差。
相反的问题同样存在。频繁的误报或质量不佳的初稿可能使用户不信任系统，进而忽视有用的辅助。
美国食品药品监督管理局表示，对临床影像 AI 的评估通常需要读片者研究。这类研究会比较临床医生独立工作与使用设备时的表现。
这类研究有助于衡量人机协作团队的表现。单独的模型评分无法说明产品是否改善了真实临床决策。
该机构的 设备指南 还强调了全生命周期监测和人为因素。当工作流、患者群体或输入数据与开发条件不同时，AI 性能可能发生变化。
2026 年 8 月，FDA 就生成式 AI 赋能医疗器械的监管征求反馈。讨论涵盖上市前评估、风险评估和上市后监测。
这项 监管审查 对 Epsilon 而言来得正当其时。该公司正将生成式系统置于临床服务交付模式中，而监管框架仍在持续发展。
并非每项工作流功能都必然属于受监管医疗器械。分类取决于软件的功能，以及其输出如何影响诊断或治疗。
Epsilon 尚未公开说明其系统各组件对应的监管类别。读者不应假定，在适用的情况下，运营一家医疗机构就可以替代产品层面的监管。
该医疗机构结构还带来其他问题。哪个实体承担专业责任？医生又如何在不同客户地点获得执业资质？
Epsilon 如何审计初步 AI 输出与已签署报告之间的差异？如果客户的患者群体不同于用于训练系统的数据，会发生什么？
公告也未充分说明其数据集相关主张。25 万名患者可以形成有用的运营数据，但原始规模并不保证具有代表性的覆盖范围。
罕见病、儿科病例、异常解剖结构、植入物伪影和不同的影像流程，都可能挑战基于常见模式训练的系统。
患者数据同样不能成为不受限制的模型开发资源。Epsilon 必须采用隐私保护、访问控制、合同限制和适当的治理机制。
另一个不确定性涉及公司的核心客户。Epsilon 表示，一家大型门诊服务提供方贡献了大量业务量，但并未披露该机构身份。
客户高度集中可以加快早期学习，也可能让表现看起来比在更广泛市场中更为一致。
扩张将检验 Epsilon 的工作流能否适应新的影像中心而不损失速度。它也将揭示放射科医师是否愿意长期使用该系统。
对于职业倦怠的说法也应保持同样谨慎。减少重复性的报告工作可以改善医生的一天，但更高的生产率目标可能会吞噬节省下来的时间。
如果医疗机构通过分配更多检查来回应，一款更快的工具并不会自动减轻工作负担。工作场所自主权、排班和病例复杂度仍然重要。
这些问题并不否定 Epsilon 的模式。它们界定了区分临床基础设施与雄心勃勃融资叙事所需的证据。
独立验证应比较报告时间、诊断质量、修正频率、周转时间和放射科医师体验。结果还应按模态和地点细分。
在这些证据出现之前，Epsilon 披露的规模只能说明采用情况，而非已被证明的优越性。公司的最重要主张仍有待临床审查。
三个信号将显示该模式能否实现规模化
Epsilon 的下一项考验是运营透明度，其后是客户多元化，以及证明其医生能够在更高业务量下维持质量的证据。
第一个信号是详细的临床验证。Epsilon 需要公布将其 AI 支持工作流与传统放射学报告进行比较的结果。
一项有价值的研究应纳入不同经验水平的放射科医师，并涵盖多个地点的病例。它应同时衡量速度和具有临床意义的错误。
读片者修正率将尤其具有参考价值。它可以显示医生修改生成文本的频率，以及修正是否集中在特定发现上。
如果 Epsilon 公布经过独立审查的强劲结果，其垂直模式将更具可信度。如果它只报告更多业务量，核心临床问题仍未得到解答。
第二个信号是客户多元化。该公司目前重点提及一家未具名的大型门诊影像服务提供方。
新增医疗系统或影像网络将证明，该工作流能够超越早期核心合作关系。具名合作伙伴关系也将使采用情况更容易评估。
跨不同模态的部署与客户数量同样重要。对于常规 X 光表现良好的方法，在 CT、MRI 或乳腺摄影中可能面临不同要求。
地域扩张将检验医生资质认证和服务一致性。它还将揭示 Epsilon 如何处理当地合同、排班和升级处理流程。
如果新客户在初始部署后继续留用 Epsilon，这将支持其医疗机构能够提供持久产能的主张。短期试点提供的证据则较弱。
第三个信号是放射科医师留存和工作负荷质量。Epsilon 的模式依赖于招募希望在以 AI 为中心的组织内执业的临床医生。
该公司最终应披露医生是否留任、其工作量如何变化，以及非工作时间覆盖是否变得更易管理。
这些指标之所以重要，是因为劳动力压力正是 Epsilon 声称要解决的问题。一个在提高报告产出的同时加速临床医生流失的系统，将削弱其核心论点。
竞争对手的反应将提供辅助证据。Rad AI、Aidoc、大型远程放射学服务商和大型医疗机构都可能向 Epsilon 的整合模式靠拢。
软件供应商可能拓展托管服务，或深化与医疗服务提供方团体的合作。现有医疗机构可能利用自身临床数据开发专有报告模型。
它们拥有 Epsilon 仍需建立的优势。大型供应商拥有已安装的客户基础，而成熟机构则具备医生网络和与付款方的合作关系。
Epsilon 的优势在于，从一开始就能将技术与临床运营协同设计。如果现有参与者成功重建其工作流程，这一优势就会缩小。
监管动态同样值得关注。FDA 对生成式 AI 的讨论，或将明确对生成临床文本的监测系统的预期要求。
更清晰的规则可能会增加 Epsilon 的合规负担，但也可能形成一道可防御的标准。已经在收集结构化性能数据的公司将处于更有利的位置。
更大的问题并不局限于放射学。投资者正日益支持将软件与提供服务的持证专业人员相结合的医疗健康企业。
这种模式能够减少采用阻力，因为客户购买的是结果或运营能力。它也能防止公司在服务交付出现问题时，躲在软件利润率背后。
对于企业采购方而言，这一区别很重要。购买工具能够保留控制权，但整合责任仍留在组织内部。
购买由 AI 赋能的临床服务，则将更多执行工作转移给服务提供商。它可以加快部署，但也会形成对该提供商治理能力和人员配置的依赖。
评估任一方案的团队都需要一条严谨的证据链。临床研究、实施说明、合同、安全审查和医生反馈很容易迅速变得零散。
一个可搜索的知识库可以帮助评估团队，将相关主张与采购过程中收集的证据进行比对。它应当辅助判断，而非取代临床审查。
Epsilon Health 的 A 轮融资为公司提供了扩展这一试验的资源。下一阶段必须证明，其运营模式带来的提升不只是报告速度。
值得关注的是：经过独立审查的质量数据、多个具名客户，以及证明放射科医生在持续高工作量下仍能保持有效工作的证据。这三个信号将决定 Epsilon 打造的是可规模化的医疗机构，还是一个高度整合但并不寻常的试点项目。
当下一项合作关系出现时，医疗健康领域的领导者应提出一个实际问题：Epsilon 是否披露了足够的证据，以评估完整的人机协同服务，而不只是其模型？
