心脏超声的“最后一公里”卡在人身上
在美国一家中等规模社区医院的重症监护室，凌晨三点，值班医生需要判断一位术后患者是否出现心包积液。标准流程是呼叫超声技师从家中赶来，完成检查后再由心脏科医生解读。等待时间以小时计，而临床决策悬置在每一分钟里。这不是孤例。心脏影像需求在人口老龄化和结构性心脏病介入治疗扩张的双重推动下持续攀升，但能够熟练操作探头并获取诊断级图像的超声技师和心脏影像专家，始终是医院里最稀缺的人力资源之一。美国医疗系统长期在这个“最后一公里”上打转：设备不缺，缺的是能驾驭设备的人。
以色列公司 UltraSight 试图把 AI 塞进这个人力缺口。它的核心命题是：如果经过培训的护士、急诊医生甚至其他非超声专科人员，能在 AI 实时引导下完成聚焦超声心动图检查，那么影像获取的瓶颈至少可以被部分绕开。2026年9月，这家公司宣布完成 2400 万美元 B2 轮融资，由 Alive HealthTech Growth Fund 领投，Deep Insight、Star51 Capital、Connecticut Innovations 和 eHealth Ventures 参与，现有投资方 Mayo Clinic Ventures、NYU 和 Iron Nation 跟投。资金将用于推动其 Echosystem 平台在美国医疗系统内的商业部署，并开发重症监护和循环支持场景下的新工作流。
这轮融资的叙事逻辑建立在一条清晰的因果链上：影像专家短缺导致心脏超声可及性不足，AI 引导降低操作门槛，非专科人员被纳入影像采集环节，医生保留解读与报告权限，最终扩大检查覆盖面。逻辑自洽，但每一步都需要在真实临床环境中被验证。
| 字段 | 内容 |
|---|---|
| 公司 | UltraSight（曾用名 OnSight Medical） |
| 轮次 | B2 轮 |
| 金额 | 2400 万美元 |
| 投资方 | Alive HealthTech Growth Fund（领投）；Deep Insight、Star51 Capital、Connecticut Innovations、eHealth Ventures；现有投资方 Mayo Clinic Ventures、NYU、Iron Nation |
| 总部 | 以色列雷霍沃特（Rehovot）；FinSMEs 称其为波士顿公司，来源存在冲突 |
| 创始人 | Itay Kezurer（CTO）、Prof. Yaron Lipman（首席科学官）、Dr. Achiau Ludomirsky（CMO）；Davidi Vortman 任 CEO |
| 官网 | https://ultrasight.com/ |
Echosystem 卖的不是软件，是一套“非专家采集”的临床资格
UltraSight 的产品名为 Echosystem，据公司披露，这是一个将结构化培训、实时 AI 引导和高级分析打包在一起的平台。它的目标用户不是超声技师，而是“经过培训的临床人员”——护士、急诊医生、住院医师，在合格医生的监督下执行聚焦超声心动图检查。软件可与现有超声设备配对，在操作过程中提供实时引导，帮助操作者把探头放到正确位置、获取符合诊断要求的切面。解读和报告环节仍由医生完成，这是 UltraSight 刻意保留的合规边界。
从产品逻辑看，Echosystem 试图解决的不是“AI 读片”问题，而是“AI 教人取图”问题。这比单纯的图像分析软件更接近临床工作流的前端。一个未经超声专业训练的操作者，最大的障碍不是看不懂图像，而是根本不知道探头该往哪里放、角度对不对、切面是否标准。AI 引导的价值在于把这个隐性知识显性化，让操作过程可以被标准化复制。
但这里有一个关键前提：AI 引导的质量决定了非专家采集的图像能否达到诊断级。UltraSight 引用的 JAMA Cardiology 研究提供了一个数据点——新手操作者使用 AI 引导心脏超声采集图像，用于自动检测中度及以上主动脉瓣狭窄，灵敏度 93%、特异度 96%。据公司披露，这项研究支持其“非专科操作者也能获取可用图像”的核心主张。来源材料未披露该研究是否由 UltraSight 资助或作者是否存在利益冲突。需要指出，该研究针对的是主动脉瓣狭窄这一特定临床场景，而非全谱心脏超声检查。从单一病种到广泛的心脏影像工作流，中间隔着大量未经验证的临床场景。
10 个商业站点与 25 名员工之间的张力
据公司披露，Echosystem 目前部署在超过 10 个商业站点，包括重症监护场景。这个数字放在美国约 6000 家医院的盘子里，渗透率接近于零。但早期医疗 AI 公司的商业化节奏本就缓慢，10 个站点的意义不在于收入规模，而在于验证产品能否在真实临床环境中跑通。
更值得关注的是团队规模。Calcalist 报道称 UltraSight 目前有 25 名员工，其中 19 人在以色列，其余在美国。Tracxn 的数据则显示公司有 42 名员工（截至 2026 年 8 月 26 日）。两个数字相差近一倍，来源冲突未解决。但无论取哪个数字，以 25 到 42 人的团队去支撑美国医疗系统的商业扩张，都意味着 UltraSight 必须极度依赖合作伙伴和渠道，而非自建大规模销售和服务网络。这解释了为什么 Mayo Clinic Ventures 和 NYU 这样的医疗机构投资方在本轮继续跟投——它们不仅是资本提供者，更是临床验证场景和潜在采购方。
公司称其 FDA 已获批产品组合持续扩展。但具体获批了哪些产品、覆盖哪些临床适应症，来源材料未披露。FDA 审批是医疗器械商业化的硬门槛，但获批本身不等于被医院采购。从“获批”到“进入采购清单”再到“改变临床工作流”，每一步都有独立的决策链条和利益相关方。
投资方把赌注押在“工作流嵌入”而非“算法精度”上
Alive HealthTech Growth Fund 联合创始人兼管理合伙人 Dudi Klein 的表述值得拆解。他说：“UltraSight combines clinical evidence with a scalable commercial model in a market constrained by access and workforce shortages.”这句话的关键词是“scalable commercial model”，而非“best algorithm”。Alive 的押注逻辑是：在一个被人力短缺约束的市场里，能够把 AI 嵌入现有工作流的公司，比单纯拥有更高精度的图像分析算法的公司更有商业价值。
这个判断有产业背景支撑。过去五年，大量医学影像 AI 公司拿到了 FDA 批准，但真正实现规模化收入的寥寥无几。问题不在算法精度，而在工作流嵌入——AI 工具如果不能融入医生已有的操作流程，不能减少而非增加工作步骤，就很难被持续使用。UltraSight 的差异化在于它切入的是采集环节而非解读环节，这在某种程度上绕开了“AI 与医生争夺诊断权”的敏感地带。但代价是，它必须证明非专家采集的图像在真实临床环境中确实能减少整体诊疗时间，而不是把问题从“等超声技师”转移成“医生花更多时间审核低质量图像”。
董事会主席 Rick Geoffrion 的加入是另一个信号。据 Calcalist 报道，Geoffrion 拥有超过 30 年心血管设备行业经验，覆盖介入心脏病学、循环支持、结构性心脏病和商业化。他的原话指向一个更长期的判断：“current access to reliable ultrasound imaging both for diagnosis and treatment remains dependent on a scarce group of experts.”这句话把 UltraSight 的定位从“AI 工具”提升到“心血管护理基础设施”层面。但基础设施意味着长周期、重验证、慢回报，这与 B2 轮融资的节奏之间存在天然张力。
766 家活跃竞争对手与一个尚未定义的品类
Tracxn 的数据显示，UltraSight 有 766 家活跃竞争对手，其中 172 家已融资、43 家已退出。这个数字本身意义有限——它把医学影像 AI 诊断分析、临床 AI 影像、自动化放射诊断、乳腺影像分析、卒中与肺部影像自动化、冠状动脉疾病评估等不同细分赛道的公司全部归入“竞争对手”范畴。但它的确反映了一个现实：UltraSight 所处的赛道边界模糊，品类定义尚未固化。
更精确的竞争参照应该从两个维度展开。第一，在“AI 引导超声采集”这个细分方向上，Butterfly Network 的 Butterfly Garden 生态和 EchoNous 等手持超声厂商都在推进 AI 实时引导功能。Tracxn 的新闻列表显示，UltraSight 已加入 Butterfly Garden，并与 EchoNous 达成合作。这意味着 UltraSight 既是这些硬件厂商的软件合作伙伴，也在某种程度上与它们自研的 AI 引导功能形成竞合关系。第二，在“非专家心脏超声”这个临床场景上，传统的聚焦心脏超声（FoCUS）培训项目和手持超声设备的普及本身就是替代方案。医院可以选择培训现有医护人员使用手持超声，而不一定需要 AI 引导软件。
UltraSight 的护城河不在于它拥有独一无二的技术，而在于它能否在 FDA 审批、临床证据积累和医疗机构合作关系上形成先发优势。Mayo Clinic 的参与是一个重要信号，但 Mayo Clinic 同时声明其对相关技术有财务利益，任何收入将支持其非营利使命。这意味着 Mayo 的角色是“有利益绑定的验证伙伴”，而非中立第三方。
资金用途背后的战略重心：重症监护与循环支持
本轮融资的用途声明中，最具体的一条是“开发重症监护和循环支持等场景的新工作流/临床应用”。这不是随意的措辞选择。重症监护场景对心脏超声的需求频次高、时效性强、且往往发生在超声技师不在场的时段。如果 Echosystem 能在 ICU 中让值班医生或护士独立完成聚焦心脏超声检查，其价值主张将比门诊场景更直接、更可量化。
循环支持场景则指向一个更专业的领域：ECMO、左心室辅助装置（LVAD）等循环支持设备的患者管理需要频繁评估心腔大小、瓣膜功能和容量状态。这些评估目前高度依赖经验丰富的心脏影像专家。如果 AI 引导能让 ICU 团队在床边完成基础评估，将直接改变这些高 acuity 场景的临床工作流。但这也是风险最高的场景——错误的心脏超声解读在循环支持患者身上可能导致灾难性后果。UltraSight 必须在这些场景中提供远超“可用”水平的证据，才能说服重症医学界接受非专家采集模式。
从资本结构看，本轮领投方 Alive HealthTech Growth Fund 的名称中带有“Growth”字样，暗示其投资策略偏向后验证阶段的商业化扩张。参与方 Connecticut Innovations 是康涅狄格州的战略投资机构，其参与可能意味着 UltraSight 在该州有商业部署或合作计划，但来源材料未披露具体细节。
数据冲突与未验证假设：这笔融资的叙事边界
关于 UltraSight 的基础事实存在多处来源冲突，这些冲突本身构成了理解这家公司的认知障碍。总部地点方面，FinSMEs 称其为波士顿公司，Calcalist 和 Tracxn 称其位于以色列雷霍沃特。累计融资额方面，Calcalist 称本轮后总融资额达 4200 万美元，Tracxn 称累计融资 1410 万美元，Startup Intros 和 FundedIQ 称累计融资 1300 万美元。员工数方面，Calcalist 称 25 人，Tracxn 称 42 人。这些冲突未在来源材料中得到解决，编辑无法判断哪个数字更接近真实情况。
从已披露的融资历史看，FundedIQ 记录显示 UltraSight 在 2021 年 5 月宣布了一轮 1300 万美元的未披露轮次。如果这个数字准确，加上本轮 2400 万美元，累计融资至少为 3700 万美元，接近 Calcalist 所称的 4200 万美元。但 Tracxn 的 1410 万美元与这个推算差距过大，无法调和。这种数据混乱在早期创业公司中并不罕见，但它提醒读者：关于 UltraSight 的资本结构和历史，公开信息存在显著不确定性。
更核心的未验证假设在于商业化节奏。10 个商业站点的部署量，相对于 2400 万美元的融资规模和“更广泛采用”的资金用途声明，意味着公司需要在未来 18 到 24 个月内实现站点数量的数量级增长。这一判断是编辑基于已披露部署量与融资用途声明的分析，而非公司给出的预测。但医疗系统的采购周期通常以年计，从试点到全院部署再到多院区推广，每一步都有独立的预算审批和临床评估流程。UltraSight 尚未披露任何收入数据、定价模式或客户续约率，因此无法判断这 10 个站点是付费部署还是合作试点。
JAMA Cardiology 的研究提供了算法性能的证据，但研究环境与真实临床环境之间的差距是医疗 AI 领域的老问题。93% 的灵敏度和 96% 的特异度是在研究方案约束下取得的，真实世界中的操作者培训质量、设备差异、患者体型分布和临床场景复杂度都会影响实际表现。从“研究证明可行”到“商业部署中持续产生临床价值”，中间需要的是大规模真实世界证据，而这恰恰是 UltraSight 尚未提供的。
医生监督是合规底线，也是规模化天花板
UltraSight 反复强调其模式是“在合格医生监督下”执行检查，解读和报告仍由医生完成。这个定位在监管层面是安全的——它没有试图让 AI 替代医生的诊断权，而是把 AI 限定在引导和辅助采集环节。但这也意味着，UltraSight 的规模化速度受制于医生监督资源的可用性。如果医院没有足够的医生来监督和解读这些新增的检查，那么扩大采集端只会制造新的瓶颈。
这个矛盾在重症监护场景中尤为突出。ICU 医生本来就在高负荷工作，如果 AI 引导让护士完成了更多心脏超声检查，这些检查的解读工作仍然会落到 ICU 医生或心脏科医生身上。UltraSight 的价值主张成立的前提是：AI 引导采集的图像质量足够高，使得医生解读的时间成本低于传统流程中等待超声技师的时间成本。但这个效率等式尚未被公开数据验证。
从产业链角度看，UltraSight 的软件需要与超声硬件设备配对使用。它与 GE Healthcare、Butterfly Network、EchoNous 等厂商的合作关系是商业化的关键基础设施，但这些合作的具体条款、收入分成模式和排他性安排均未披露。如果 UltraSight 的软件被硬件厂商视为可替代的第三方应用，其议价能力将受到限制；如果它能成为某些硬件平台的默认 AI 引导层，其战略价值将显著提升。目前公开信息无法判断它处于哪个位置。
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：UltraSight 的 2400 万美元 B2 轮融资，本质上是把“AI 能否让非专家完成心脏超声采集”这个命题从实验室推入商业化的关键一步。10 个站点的部署量和 JAMA Cardiology 的单病种研究，构成了一个足够支撑融资叙事的起点，但距离证明“可扩展商业模型”还有显著距离。真正的考验不在算法精度，而在工作流嵌入的深度——当 AI 引导让更多非专家开始采集心脏超声图像时，谁来解读、谁负责、效率是否真的提升，这些问题的答案将决定这家公司是成为心血管护理基础设施的一部分，还是又一个在 FDA 获批后卡在商业化门口的影像 AI 故事。
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。