Aidoc 获1.5亿美元E轮融资：临床AI龙头迈向IPO，用基础模型重构医疗影像诊断

当一家医疗AI公司累计融资超过5亿美元，并宣称其系统已部署在全球近2000家医院、每年分析超过6000万病例时，人们很容易将其视为又一个资本泡沫中的幸运儿。但Aidoc刚刚完成的1.5亿美元E轮融资——由Goldman Sachs Alternatives领投，General Catalyst、SoftBank和NVIDIA的VC部门跟投——传递了一个更微妙的信号：临床AI正在从“辅助工具”的配角，向“诊断核心”的主角进化。问题是，这种进化究竟是医疗系统的福音，还是另一个被过度包装的技术故事？

从“找肺结节”到“推理全身”：Aidoc如何用基础模型改写放射科剧本

Aidoc的起点并不性感。2016年成立时，它和当时大多数医疗AI初创公司一样，专注于用深度学习模型识别CT影像中的特定异常——比如肺栓塞、颅内出血。这种“单病种、单任务”的模式在FDA审批上相对容易，但临床价值有限：放射科医生每天要面对数百张影像，一个只找肺结节的AI，就像一个只会背单词的翻译器，有用，但远不够用。

真正的转折点出现在2026年，当Aidoc获得FDA对其“基础模型驱动的分诊系统”的批准，覆盖了两位数数量的急性适应症。这意味着同一个AI引擎，不再需要为每个病种单独训练模型，而是像人类医生一样，在看到一个胸部CT时，能同时判断是否存在肺栓塞、主动脉夹层、气胸等多种急症。这背后的技术核心是CARE（Clinical AI Reasoning Engine），一个基于基础模型的临床推理系统。

从商业角度看，这种“一鱼多吃”的策略大幅降低了医院的部署成本。传统上，医院每采购一种AI应用，就需要单独集成、验证、维护。Aidoc的aiOS平台则试图成为医院AI的“操作系统”，让所有应用在同一个架构上运行。这听起来很像智能手机的App Store模式——但医疗领域的“操作系统”远比手机复杂，因为每一次误判都可能关乎生死。

Goldman Sachs和NVIDIA同时押注：这不仅仅是一笔财务投资

本轮融资的领投方Goldman Sachs Alternatives，以及跟投方SoftBank和NVIDIA的VC部门，共同构成了一个有趣的信号组合。Goldman Sachs通常被视为“准IPO投资者”，它的入场往往暗示公司已具备上市条件。而NVIDIA的参与则更具战略意味：医疗AI是NVIDIA GPU最重要的垂直市场之一，Aidoc的aiOS平台如果能成为医院AI的标准化基础设施，将为NVIDIA的硬件销售打开一个巨大的企业级市场。

但更值得关注的是General Catalyst的持续加注。这家风投在医疗领域有着极强的布局，其投资组合中既有Hims & Hers这样的消费级医疗公司，也有Commure这样的医院SaaS平台。General Catalyst对Aidoc的持续支持，暗示了他们相信AI将从“辅助诊断”进化到“自动化报告生成”——Aidoc正在向这一方向前进，试图让AI直接生成影像报告的初稿，而放射科医生只需审核修改。

然而，这种“自动化报告”的愿景面临一个根本性挑战：法律和伦理责任。如果AI生成的报告初稿出现错误，责任归属如何界定？是AI公司、医院、还是审核医生？美国医疗体系至今没有清晰的答案。这或许是Aidoc至今仍将产品定位为“分诊”而非“诊断”的原因——分诊只负责标记优先级，诊断则涉及最终责任。

2000家医院的真实渗透率：Aidoc的护城河有多深？

Aidoc宣称其系统部署在近2000家医院，这个数字看起来惊人，但需要仔细拆解。在医疗IT领域，“部署”的定义弹性很大：可以是从一个科室的几台设备开始试用，也可以是全院范围的深度集成。Aidoc的aiOS平台策略确实有助于提高粘性——一旦医院将AI工作流嵌入PACS（影像归档与通信系统）和RIS（放射信息系统），替换成本会显著增加。

但竞争对手也在快速追赶。Viz.ai同样获得了FDA对多种急性适应症的批准，并且在大血管闭塞（LVO）中风领域建立了强大的临床证据。Qure.ai则在印度和东南亚市场占据了先发优势，其低成本的云端部署模式对资源有限的医院更具吸引力。而Zebra Medical Vision被Nanox收购后，正在尝试将AI与硬件捆绑销售。

Aidoc的核心护城河可能不在于技术，而在于数据飞轮效应：6000万例/年的分析量意味着更丰富的训练数据，更快的模型迭代，以及更强的临床证据生成能力。在医疗AI领域，FDA批准只是入场券，真正的壁垒是让医院和医生愿意持续使用你的产品，并产生足够的数据来证明临床价值。

诊断错误是美国第三大死因：Aidoc解决的是真问题，但方法对吗？

Aidoc在其宣传材料中反复提及一个触目惊心的数据：诊断错误是美国第三大死因，每年导致数十万人死亡。这个数据来自Johns Hopkins的研究，确实反映了医疗系统的核心痛点。但问题在于，AI分诊系统能否真正降低诊断错误率？

现有的临床证据显示，AI在特定任务上（如识别肺栓塞）确实能提高敏感性和特异性，但将AI整合到临床工作流中，并不自动等同于减少诊断错误。一个常见的现象是“警报疲劳”：当AI标记了太多假阳性病例，医生开始忽略它的提醒。另一个问题是“自动化偏见”：医生可能过度依赖AI的判断，反而降低了自身的批判性思维。

Aidoc的CARE系统试图通过基础模型解决这个问题——让AI不仅告诉你“这里有异常”，还能解释“为什么我认为这是异常”。但基础模型在医疗领域的可解释性仍然是一个开放问题。一个能生成流畅文本的AI，并不代表它的推理过程是可靠的。

IPO之路上的三块绊脚石：监管、责任、商业模式

Goldman Sachs的领投通常被视为IPO的前奏，但Aidoc要成功上市，需要跨越三个关键障碍。

首先是监管的不确定性。FDA对AI/ML医疗器械的审批框架仍在演进中。2026年Aidoc获得的基础模型分诊系统批准是一个里程碑，但FDA已经明确表示，随着AI的自主性增强，监管要求会更加严格。如果未来FDA要求对所有AI更新进行重新审批，Aidoc的快速迭代模式将受到严重制约。

其次是责任归属问题。如前所述，当AI开始生成诊断报告初稿，法律框架需要跟上。目前美国医疗责任体系主要基于“医生最终负责”原则，但AI的“黑箱”特性使得追溯错误根源变得困难。如果Aidoc的AI系统导致误诊，公司可能面临巨额诉讼风险。

最后是商业模式的可持续性。Aidoc目前主要采用SaaS订阅模式，向医院收取每例分析费用或年度许可费。但医院系统普遍面临财务压力，尤其是在美国，Medicare和Medicaid的报销费率持续下降。如果Aidoc不能证明其AI系统能直接为医院节省成本或增加收入（例如通过提高诊断精度来减少不必要的检查），医院可能不愿意为AI支付高额溢价。

Aidoc的故事令人兴奋，但医疗AI的历史上充斥着技术完美、商业失败的案例。IBM Watson Health的陨落就是前车之鉴——技术再强大，如果不能融入复杂的医疗工作流、解决支付方的核心关切，最终只会成为昂贵的玩具。Aidoc的1.5亿美元融资证明了资本对其愿景的信心，但真正的考验将在IPO之后到来：当华尔街开始要求季度增长，而医院系统仍然以年为单位缓慢决策时，Aidoc能否在两者之间找到平衡？答案或许取决于它能否让一个简单的假设成立：AI不只是医生的助手，而是医疗系统不可或缺的“操作系统”。