如果你做过PET扫描，就知道那是一场折磨。这些扫描虽能帮助医生检测癌症并追踪扩散情况，但整个过程对患者而言在后勤上堪称噩梦。
过程始于检查前4至6小时的禁食——若你身处农村且当地医院无PET设备，处境将更为艰难。抵达医院后，需注射放射性示踪剂并等待1小时使其在体内循环；随后进入扫描仪，须在30分钟内保持静止以便成像。检查结束后，因身体处于半放射性状态，长达12小时内还需与老人、儿童及孕妇保持距离。
另一瓶颈在于：PET扫描仪集中于大城市。因其放射性示踪剂需在附近的回旋加速器（紧凑型核机器）中生产，且必须在数小时内使用，这严重限制了农村和地区医院的获取权限。
AI赋能：用CT生成PET图像
若能利用人工智能将更易获得、更实惠的CT扫描转换为PET扫描呢？这正是牛津大学衍生企业RADiCAIT的核心理念。该公司本月结束保密期，获170万美元种子前轮融资，并作为TechCrunch Disrupt 2025 Startup Battlefield前20强决赛选手，刚刚启动500万美元融资以推进临床试验。
RADiCAIT首席执行官Sean Walsh表示：“我们将放射学中最受限、最复杂、最昂贵的医学成像方案，替换为最易获取、最简单且负担得起的CT。”
技术原理：基础模型连接解剖与生理
RADiCAIT的核心是其基础模型——一种生成式深度神经网络，由联合创始人兼首席医疗信息官Regent Lee团队于2021年在牛津大学发明。
该模型通过比对CT与PET扫描、映射二者关系模式进行学习。首席技术官Sina Shahandeh将其描述为“将解剖结构转化为生理功能”，从而连接不同物理现象。模型被引导重点关注特定组织或异常等临床特征，并通过大量样本反复训练，以识别具有临床重要性的模式。
最终交付医生的图像由多个协同模型组合生成。Shahandeh将此方法比作Google DeepMind的AlphaFold：两者均学习将一类生物信息转换为另一类。
Walsh指出，团队可从数学上证明合成PET图像在统计上与真实化学PET扫描高度相似。“试验结果显示，无论使用化学PET还是AI生成PET，医生、放射科医生或肿瘤学家做出的诊断质量一致。”
尽管RADiCAIT不承诺在放射性配体疗法等特定治疗场景中替代PET扫描，但在诊断、分期和监测方面，其技术有望使传统PET扫描变得过时。
临床进展与未来规划
Walsh强调，当前PET系统供给远无法满足诊疗需求。“我们计划从诊断端承接这部分需求，让PET扫描仪专注于治疗诊断环节。”
目前，RADiCAIT已与Mass General Brigham、UCSF Health等大型医疗系统合作，开展肺癌检测临床试点。公司正推进FDA临床试验——这一更复杂、高成本的过程也是推动500万美元种子轮融资的关键。获批后，下一步将开展商业试点验证可行性，并计划在结直肠癌和淋巴瘤领域复制相同路径。
Shahandeh认为，这种不依赖昂贵测试即可提供有效洞察的AI方法“具有广泛适用性”。他补充道：“我们正在探索放射学领域的扩展应用。未来或将看到类似创新，只要发现自然界隐藏的关系，就能将材料科学、生物学、化学和物理学等领域联系起来。”