当 75% 的医疗决策卡在一张片子上
在美国医疗体系里，一个被广泛引用的估计是：约 75% 的医疗决策依赖放射学来诊断和治疗疾病。这意味着从急诊室的创伤评估到肿瘤科的化疗方案调整，从骨科的手术规划到心内科的血管介入判断，几乎每一条临床路径的起点，都汇聚到放射科医生面前的屏幕上。但屏幕前的人正在变少。美国面临放射科医生严重短缺，而医学影像需求持续激增，两者之间的缺口不再只是学术讨论中的趋势线，而是正在转化为真实的治疗延迟。
这种延迟的代价很难用单一数字概括，但它的形态非常具体：一个疑似肺栓塞的患者在急诊等待 CT 解读，一个乳房 X 光片提示可疑钙化的女性等待最终报告，一个卒中患者在溶栓时间窗内等待头颅影像确认。每一分钟都对应着临床决策的推迟。正是在这个瓶颈中，一家总部位于旧金山的公司 Epsilon Health 于 2026 年 9 月宣布完成 2760 万美元融资，并正式结束隐身状态。它给出的方案不是向现有放射科卖一个 AI 工具，而是直接成为放射学实践本身。
这一定位差异构成了理解 Epsilon Health 的关键。过去几年，AI 医学影像公司大多沿着同一条路径前进：针对单一疾病或单一影像模态构建模型，拿到 FDA 批准，然后向医院或影像中心销售软件。Epsilon Health 的创始人兼 CEO Rustin Rassoli 选择了一条更重、更垂直的路——把 AI 嵌入 board-certified radiologists 的日常工作流，以放射学实践的身份直接承接影像解读业务。这意味着它不仅要解决算法问题，还要解决执业资质、临床责任、工作流整合、客户获取和规模化交付等一系列运营问题。
| 字段 | 内容 |
|---|---|
| 公司 | Epsilon Health |
| 轮次 | 未披露（Axios 报道称 A 轮，公司新闻稿未标注轮次） |
| 金额 | 2760 万美元（Axios 报道为 2000 万美元） |
| 投资方 | AlleyCorp（领投）、Uncork Capital、Renegade Partners、SemperVirens、Jack Altman（通过 Alt Capital 投资） |
| 总部 | 旧金山 |
| 创始人 | Rustin Rassoli |
| 官网 | https://www.epsilon.health/ |
从父亲的影像诊所到 1% 的全国 X 光片
Rustin Rassoli 讲述的起点带有强烈的个人叙事色彩。据公司披露，他成长于父亲的影像诊所环境中，亲眼看到误诊带来的深远影响。他在融资公告中表示：“当诊断被漏掉或延迟时，它可能迅速改变一个人的人生轨迹。”这种个人经历被转化为公司使命的表述：“美国日益严重的放射科医生短缺正在把真实生命置于更大的风险之中——系统正在崩溃，患者正在承受冲击。”
使命叙事之外，Epsilon Health 给出的运营数据更值得审视。据公司新闻稿披露，截至融资宣布时，它已服务超过 25 万名患者，每天处理超过 2,500 项影像检查，并预计在 2026 年审阅全美每日 X 光片的 1%。另一个关键数据是：Epsilon Health 已经处理了美国最大门诊影像服务商之一超过一半的影像量。投资方之一 Jack Altman 在声明中称，该公司“在不到 10 个月的时间里从零发展到每天为美国一些最大的影像服务商处理数千项检查”。这些数据目前均来自公司新闻稿或投资方声明，尚无独立第三方审计或公开监管文件可交叉验证。
据公司新闻稿，从零到每天 2,500 项检查的爬坡速度发生在不到 10 个月内。如果该数据属实，说明 Epsilon Health 在隐身期间已经完成了至少一个大型客户的深度整合。门诊影像服务商将超过一半的影像量交给一家成立不到一年的公司，这一决策本身意味着客户对交付能力和临床质量的认可达到了一定阈值。但同时也需要注意到，单一客户贡献其超过一半影像量，可能意味着业务量集中度较高，但公司未披露该客户在收入中的占比，因此无法直接推断收入集中度。公司未披露该客户名称、合同期限、价格条款或是否存在排他性安排。
成为放射学实践，而不是卖 AI 软件
Epsilon Health 的核心模式差异在于它作为 radiology practice 本身运营，而非仅向现有机构销售单病种或单模态 AI 模型。据公司披露，其 purpose-built AI 直接整合进 board-certified radiologists 的工作流程，加速临床工作流，同时保留医生原有诊疗方式。这种设计选择有一个现实考量：放射科医生对改变工作习惯的软件有天然抵触，任何要求医生切换到全新界面的方案都面临采用阻力。Epsilon Health 的策略是将 AI 嵌入现有流程，让医生在熟悉的操作环境中获得加速效果。
这一模式还带来一个数据飞轮的潜在优势。公司称其形成了不断增长的真实临床案例专有数据集和实时迭代模型的持续反馈闭环。与向多家医院销售软件的 AI 公司相比，作为实践本身运营意味着 Epsilon Health 可以直接获得完整的影像数据、医生修正记录和最终诊断结果，而不需要依赖客户的数据共享协议。但这一优势的成立前提是：Epsilon Health 与客户之间的数据使用条款允许其将临床数据用于模型训练，且不违反 HIPAA 等隐私法规。公司未披露相关条款的具体安排。
从产业链位置看，Epsilon Health 实际上是在与传统放射学实践和 teleradiology 服务商竞争，而非仅仅与其他 AI 软件公司竞争。它承接的是影像解读服务合同，交付的是最终诊断报告，承担的是执业责任。编辑分析认为，其竞争对手可能包括 RadNet 等大型影像服务商、Envision Radiology 等放射学集团，以及众多区域性放射学实践；这一判断基于其作为放射学实践本身的业务定位，而非来自公司披露的竞争名单。Epsilon Health 的差异化在于 AI 原生架构带来的产能扩张能力，但它的临床质量和责任承担能力仍需在更长时间维度上验证。
团队配置透露的优先级信号
Epsilon Health 的领导层配置值得拆解。据公司新闻稿披露，其 Head of Machine Learning Arjun Karpur 此前在 Google DeepMind 领导研究；其 CMO Roi Bittane 此前担任 Envision Radiology 的 CMO 和首席战略官。公司新闻稿称，Envision Radiology 是美国第二大放射学集团，拥有超过 500 名放射科医生；这一规模数字为公司新闻稿口径，Radiology Business 未确认该规模数字。Radiology Business 的报道将这位 CMO 的前职表述为 Envision Healthcare 的 CMO，且未提及“首席战略官”一职；本文以公司新闻稿原文为准，同时标注这一来源差异。这一组合传递的信号是：Epsilon Health 在算法能力和临床运营两端都试图配置有说服力的人才。
但团队配置也隐含着一个问题：一个从 DeepMind 出来的机器学习负责人和一个从大型放射学集团出来的 CMO，如何在日常运营中协调 AI 与医生之间的权力边界？在传统放射学实践中，医生的诊断权威是绝对的，AI 工具处于辅助地位。在 Epsilon Health 的模式中，AI 被描述为“直接整合进工作流”并“大幅加速临床工作流”，这意味着 AI 在流程中可能承担更前置的筛选、初读或优先级排序功能。这种权力重新分配在临床实践中如何被医生接受，是公司没有在公告中回答的问题。
创始人 Rustin Rassoli 的背景同样值得注意。据 Radiology Business 报道，他在德克萨斯大学奥斯汀分校学习数学和计算机科学。没有公开信息显示他本人是执业放射科医生。这意味着 Epsilon Health 的创始团队中，临床权威主要来自 CMO 而非 CEO。在医疗 AI 领域，非临床背景创始人搭配资深临床高管的组合并不罕见，但当公司本身就是一个放射学实践时，创始人对临床质量的理解深度和决策优先级将直接影响公司的运营底线。
2760 万还是 2000 万：融资信息中的裂缝
这笔融资的公开信息存在一个无法回避的矛盾。Epsilon Health 通过 BusinessWire 发布的新闻稿以及多家转载来源均表述为 2760 万美元融资，且未标注轮次。但 Axios 在 2026 年 9 月 9 日的独家报道中称，Epsilon Health 以 2000 万美元 A 轮融资结束隐身状态，并注明信息来自 CEO Rustin Rassoli 本人。两者相差 760 万美元，且轮次信息不一致。
这种差异可能源于多种原因：Axios 的报道可能基于融资过程中的早期信息，而最终交割金额高于最初计划；也可能 2760 万美元包含了 A 轮之外的某种债务融资或可转换票据；或者公司在新发稿发布前更新了融资总额但未同步更新轮次标签。以上原因均为编辑推测，未经公司确认。无论原因如何，这一冲突本身就是信息透明度的警示。对于一家刚刚结束隐身状态的公司而言，融资额和轮次是最基础的公开信息，出现两个版本意味着公司在信息披露管理上存在疏漏，或者有意模糊了资本结构中的某些部分。
另一个来源冲突来自 PitchBook。该平台资料显示 Epsilon Health 成立于 2017 年，是一家位于华盛顿特区的风投公司。这与新闻稿中 2024 年成立、总部位于旧金山的 AI 放射学公司明显不一致。编辑推测可能是 PitchBook 将同名实体混淆，待核验。但这恰恰说明 Epsilon Health 作为一个品牌名称在公开数据生态中的识别度尚未建立。对于一家声称要处理全美 1% 每日 X 光片的公司来说，这种基础数据层面的混乱值得记录。
投资逻辑：AlleyCorp 的医疗 AI 押注
本轮领投方 AlleyCorp 的合伙人 Dr. Alexi Nazem 本身是执业医生，他在声明中给出了一个兼具临床视角和投资逻辑的表述：“我面对过许多患者，他们的前路取决于一张影像和一位优秀放射科医生的解读。但这样的人根本不够。Epsilon 让这种专业能力触达更多人，每一次解读都在为下一次改进系统。今天的患者悄然改善着百万未来患者的诊疗。”
这段引语值得拆解。Nazem 的表述将 Epsilon 的价值主张拆成两层：第一层是产能扩张，即让有限的专业能力覆盖更多患者；第二层是数据飞轮，即每一次解读都改善系统。第一层是放射学 AI 的通用叙事，第二层才是 Epsilon 模式特有的投资逻辑——如果公司确实能通过运营实践本身积累专有数据并持续迭代模型，那么它的护城河会随着业务量增长而加深。但这一逻辑的成立依赖于一个前提：Epsilon Health 的模型迭代速度确实快于那些向多家医院销售软件的竞争对手。公司未披露任何关于模型性能提升的量化数据。
Jack Altman 的参与也值得注意。他通过 Alt Capital 投资，并在声明中称 Epsilon Health 是“未来医疗运作方式的蓝图”。Radiology Business 报道指出，Jack Altman 是 OpenAI CEO Sam Altman 的兄弟。这一家族关联在 AI 投资圈中具有一定信号意义，但不应过度解读为技术背书。Jack Altman 本人的投资记录和 Alt Capital 的 portfolio 策略才是更相关的参照系。公司未披露 Alt Capital 在本轮中的具体投资金额或持股比例。
资金用途与规模化的真实约束
据公司披露，新资金将用于加速市场扩张，并通过招聘、扩大临床合作和新基础设施投资支持其不断增长的业务。这一表述足够宽泛，几乎适用于任何一家完成融资的成长期公司。更有信息量的是它没有说的部分：公司未披露是否计划进入新的影像模态（如 CT、MRI、超声），未披露是否计划拓展到住院影像服务，也未披露是否计划建立自有影像中心还是继续作为纯解读服务商运营。
从产业链约束看，Epsilon Health 目前的核心客户是门诊影像服务商。门诊影像的典型特点是量大、单次检查复杂度相对较低、对周转时间要求高。据公司披露的检查量结构推断，这与 Epsilon Health 宣称的每天 2,500 项检查量相匹配。但如果公司要进入住院影像市场，它将面对完全不同的约束：急诊影像需要 24/7 覆盖、与医院 HIS/PACS 系统的深度集成、与临床科室的实时沟通机制，以及更高的医疗责任风险。本次采集材料未找到公司是否具备这些能力的披露。
另一个规模化约束来自放射科医生的供给端。Epsilon Health 的模式虽然用 AI 加速工作流，但最终诊断仍由 board-certified radiologists 签署。这意味着公司的产能上限仍然受制于它能够雇佣或签约的放射科医生数量。AI 可以提高单个医生的产出效率，但不能消除对医生的需求。在美国放射科医生整体短缺的背景下，Epsilon Health 的招聘能力本身就是竞争壁垒的一部分，也是潜在瓶颈。公司未披露其目前拥有的放射科医生数量或招聘计划的具体规模。
竞争格局：在 AI 软件商与传统实践之间
Epsilon Health 的竞争位置可以用一个光谱来描述。光谱的一端是传统放射学实践和 teleradiology 服务商，它们拥有成熟的临床流程、执业资质和客户关系，但受制于人工产能和传统 IT 系统。光谱的另一端是 AI 放射学软件公司，它们拥有算法能力和 FDA 批准，但不承担诊断责任，不直接服务患者，收入模式依赖软件授权。Epsilon Health 试图占据光谱的中间位置：既拥有 AI 能力，又承担诊断责任，直接服务客户。
这个中间位置的吸引力在于它可能捕获更大的价值。软件公司的收入受限于医院 IT 预算和采购周期，而放射学实践的收入直接来自影像解读服务费，市场空间更大。但这个位置的风险也更高：Epsilon Health 必须同时证明它的 AI 足够好、它的医生足够好、它的运营足够高效、它的责任承担能力足够强。任何一个环节的失败都会直接转化为临床事故和法律责任，而不是仅仅损失一个软件订单。
从已披露的信息看，Epsilon Health 与现有 AI 放射公司的比较主要停留在定位层面。公司称其“不同于针对单一疾病或单一影像模态构建 AI 模型的现有 AI 放射公司”，但未披露其 AI 在多病种、多模态上的具体性能数据，也未披露是否已获得 FDA 批准。如果 Epsilon Health 的 AI 系统在诊断中承担辅助角色而非独立诊断角色，那么 FDA 审批的要求可能相对宽松；但如果它计划让 AI 承担更前置的初读功能，监管路径将更加复杂。公司未披露其产品的监管状态。
风险与待验证假设
Epsilon Health 的叙事建立在三个核心假设之上。第一个假设是：AI 与医生的协作模式能够在不牺牲诊断质量的前提下显著提高产能。公司披露的每天 2,500 项检查量证明了产能的存在，但没有提供诊断准确性、漏诊率、误诊率或医生满意度等质量指标。在放射学领域，产能和质量之间的权衡是最核心的临床问题，缺乏质量数据的产能数字只能说明公司能处理大量影像，不能说明它处理得好。
第二个假设是：专有数据飞轮能够形成可持续的竞争壁垒。这一假设的逻辑是自洽的——如果 Epsilon Health 处理越多影像，积累越多真实临床数据，模型迭代越快，服务质量越高，吸引更多客户。但这一飞轮的运转速度取决于模型迭代的实际效果，而公司未披露任何关于模型性能提升的数据。此外，数据飞轮的壁垒也可能被通用基础模型的进步所侵蚀。如果大型 AI 实验室发布的医学影像基础模型在零样本或少样本场景下表现优异，Epsilon Health 的专有数据优势可能被稀释。
第三个假设是：作为放射学实践本身运营的模式能够实现优于传统实践的单位经济性。这一假设目前完全没有公开数据支持。公司未披露收入、毛利率、单次检查成本、医生薪酬结构或客户合同价格。2760 万美元融资能够支撑多长时间的运营，取决于公司的烧钱速度和收入增长曲线，而这些数据均未披露。
从编辑推断的角度看，Epsilon Health 在不到 10 个月内从零发展到每天处理数千项检查，这一速度来自公司新闻稿和投资方声明口径。如果该数据属实，意味着它在隐身期间已经完成了至少一个大型客户的深度整合和规模化交付。从已披露的客户集中度（单一客户占其影像量的一半以上）和产能数据（每天 2,500 项）来看，公司的收入可能已经达到一定规模，但盈利能力和客户多元化程度仍是未验证的变量。公司未披露除该未具名客户之外的其他客户数量或行业分布，因此无法判断其客户基础是否足够分散以支撑持续增长。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：Epsilon Health 的融资故事最有趣的部分不是 2760 万美元的数字，而是它选择了一条比卖软件更重的路——成为放射学实践本身。这条路如果走通，意味着 AI 在医疗中的价值捕获方式从“工具费”升级为“服务费”，单位经济性完全不同。但重模式也意味着更慢的扩张速度、更高的运营复杂度和更直接的临床责任。在放射科医生短缺的背景下，任何能真正扩大产能的方案都值得关注，但产能数字本身不能替代质量验证。Epsilon Health 接下来需要回答的问题不是它能处理多少张片子，而是它处理的每一张片子是否经得起独立审查。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。