O RADiCAIT, spinout de Oxford, usa IA para tornar a imagem diagnóstica mais acessível e acessível – veja-nos no TechCrunch Disrupt 2025

Se você já fez um PET scan, sabe que é uma provação. As varreduras podem ajudar os médicos a detectar o câncer e rastrear sua propagação, mas o processo em si é um pesadelo logístico para os pacientes.

Começa com um jejum de 4 a 6 horas antes de chegar ao hospital. Se você mora em uma área rural e o hospital local não possui um scanner PET, você está com sorte. Ao chegar ao hospital, você receberá uma injeção de material radioativo e terá que esperar uma hora para que o material radioativo saia do seu corpo. Você então entra no scanner PET e fica imóvel por 30 minutos enquanto o radiologista tira as imagens. Depois disso, deve-se distanciar-se fisicamente de idosos, jovens e gestantes por até 12 horas, pois são literalmente semirradiativos.

Outro gargalo? Os scanners PET estão concentrados nas grandes cidades. Isto porque os traçadores radioactivos devem ser gerados num ciclotrão próximo (uma pequena máquina movida a energia nuclear) e utilizados em poucas horas, limitando o acesso em hospitais rurais e regionais.

Mas e se pudéssemos usar IA para converter tomografias computadorizadas em tomografias PET que sejam muito mais acessíveis e econômicas? Aqui está o lance Rajkeituma cisão de Oxford que saiu do sigilo este mês com US$ 1,7 milhão em financiamento pré-semente. Esta empresa iniciante com sede em Boston campo de batalha de inicialização em Disrupção TechCrunch 2025acaba de começar a arrecadar US$ 5 milhões para avançar nos ensaios clínicos.

“O que realmente estamos fazendo é pegar a solução de imagens médicas mais restrita, complexa e cara em radiologia e substituí-la pela mais acessível, simples e acessível: CT”, disse Sean Walsh, CEO da RADiCAIT, ao TechCrunch.

O molho secreto do RADiCAIT é o seu modelo subjacente. Redes neurais profundas generativas foram inventadas na Universidade de Oxford em 2021 por uma equipe liderada por Regent Lee, cofundador e diretor de informações médicas da startup.

O modelo aprende comparando tomografias computadorizadas e PET, mapeando-as e extraindo padrões de como elas se relacionam entre si. Sheena Shahande, engenheira-chefe do RADiCAIT, descreve-o como uma conexão de “fenômenos físicos díspares”, traduzindo estruturas anatômicas em funções fisiológicas. O modelo é então instruído a prestar atenção especial a certas características ou aspectos da varredura, como certos tipos de tecido ou anormalidades. Esta aprendizagem focada é repetida muitas vezes com diferentes exemplos, permitindo ao modelo identificar quais padrões são clinicamente importantes.

A imagem final vista pelo médico é criada pela combinação de vários modelos que funcionam juntos. Shahande compara essa abordagem ao AlphaFold do Google DeepMind, uma IA que revolucionou a previsão da estrutura de proteínas. Ambos os sistemas aprendem a converter um tipo de informação biológica em outro tipo de informação biológica.

Walsh afirma que a equipe do RADiCAIT pode provar matematicamente que as imagens PET sintetizadas ou geradas são estatisticamente semelhantes às tomografias PET químicas reais.

“O que nosso estudo mostrou foi que a mesma qualidade de tomada de decisão foi tomada quando médicos, radiologistas e oncologistas receberam PET químico ou (PET gerado por IA)”, disse ele.

O RADiCAIT não promete substituir a necessidade de exames PET em determinados ambientes de tratamento, como a terapia com radioligantes para matar células cancerígenas. No entanto, para fins de diagnóstico, estadiamento e monitoramento, a tecnologia RADiCAIT pode tornar obsoletos os exames PET.

“É um sistema muito limitado, por isso não temos oferta suficiente para satisfazer a procura de diagnósticos e tratamentos”, disse Walsh, referindo-se a uma abordagem médica que combina imagens de diagnóstico (ou seja, PET scans) com terapias específicas para tratar doenças (ou seja, cancro). “Então o que estamos tentando fazer é absorver a demanda do lado do diagnóstico. O próprio scanner PET precisa preencher a lacuna do lado do diagnóstico.”

O RADiCAIT já iniciou ensaios clínicos focados em testes de câncer de pulmão em colaboração com os principais sistemas de saúde, como Mass General Brigham e UCSF Health. A startup está atualmente passando por testes clínicos da FDA. Este ensaio clínico é um processo mais caro e complexo, impulsionando a rodada inicial de US$ 5 milhões do RADiCAIT. Uma vez aprovado, o próximo passo será realizar um piloto comercial e demonstrar a viabilidade comercial do produto. O RADiCAIT também deseja executar o mesmo processo (piloto clínico, ensaio clínico, piloto comercial) para casos de uso colorretal e linfoma.

Shahande disse que a abordagem do RADiCAIT de usar IA para obter insights válidos sem o fardo de testes difíceis e caros é “amplamente aplicável”.

“Estamos pensando em expandir todo o departamento de radiologia”, acrescentou Shahande. “Esperamos ver inovações semelhantes que conectem disciplinas da ciência dos materiais à biologia, química e física, onde quer que aprendamos sobre as relações ocultas da natureza.”

Se você quiser saber mais sobre Radikite Junte-se a nós no Disrupt em São Francisco de 27 a 29 de outubro. Clique aqui para mais informações.