Fornecedor de software de IA em radiologia, Gleamer, expande para ressonância magnética com duas transações de M&A

A imagem médica é um termo amplo que engloba várias tecnologias distintas. Após trabalhar em ferramentas com inteligência artificial para aprimorar raios-X e mamografias, a startup francesa Gleamer agora pretende lidar com a ressonância magnética (MRI).

Em vez de começar do zero, a Gleamer adquiriu uma startup que já vinha trabalhando com análise de MRI com inteligência artificial, a Caerus Medical, e está se fundindo com a Pixyl.

A Gleamer faz parte da segunda onda de startups que tentam melhorar a imagem médica usando inteligência artificial. Vários fundadores de empresas de tecnologia criaram startups em torno desse tema em 2014 ou 2015. Embora a maioria delas não tenha ido a lugar nenhum, houve alguma consolidação no setor. Por exemplo, a Zebra Medical Vision e a Arterys foram adquiridas pela Nanox e Tempus, respectivamente.

Fundada em 2017, a Gleamer tem construído um assistente de inteligência artificial para radiologistas, uma espécie de copiloto para imagem médica. Com a Gleamer, os radiologistas teoricamente podem melhorar a precisão do diagnóstico ao interpretar imagens médicas.

A startup já convenceu 2.000 instituições em 45 países a usar sua solução de software. No total, a Gleamer processou 35 milhões de exames. A empresa recebeu certificações CE e FDA para seu produto de interpretação de traumatismo ósseo. Na Europa, também oferece produtos focados especificamente em raios-X de tórax, ortopedia e medições de idade óssea com certificação CE.

“Infelizmente, a abordagem de tamanho único para radiologia não funciona”, disse o co-fundador e CEO da Gleamer, Christian Allouche. “É muito complicado ter um modelo amplo que cubra toda a imagem médica e entregue o nível de desempenho esperado pelos médicos.”

É por isso que a empresa criou pequenas equipes internas focadas em mamografias e tomografias computadorizadas. “Três semanas atrás lançamos nosso produto de mamografia, no qual trabalhamos por 18 meses”, disse Allouche. Ele é baseado em um modelo de AI proprietário que foi treinado com 1,5 milhão de mamografias.

“Estabelecemos parceria com Jean Zay, o cluster de GPU do governo francês”, disse Allouche. A empresa também está trabalhando em tomografias computadorizadas para cânceres.

Mas e a MRI? “A MRI é um espaço tecnológico diferente”, disse Allouche. “Você tem muitas tarefas em MRI. Não é apenas detecção; você tem segmentação, detecção, caracterização, classificação, imagens multi-sequenciais.”

Por isso, a Gleamer está adquirindo uma pequena startup (Caerus Medical) e se fundindo com uma maior (Pixyl) para acelerar o processo. Essas duas empresas vêm trabalhando nesse espaço há vários anos. A Gleamer não está divulgando os termos dos acordos.

“Essas duas empresas se tornarão nossas duas plataformas de MRI, com a clara ambição de cobrir todos os casos de uso nos próximos dois a três anos”, disse Allouche.

Imagem médica preventiva

Embora os modelos da Gleamer mostrem resultados promissores, eles ainda não são perfeitos. Por exemplo, com o novo modelo de mamografia da empresa, ela afirma poder detectar quatro em cada cinco cânceres. Em comparação, um radiologista humano sem assistência de AI normalmente identifica câncer em três de cinco casos.

No entanto, os ganhos de produtividade de uma ferramenta como a Gleamer poderiam mudar radicalmente a imagem médica. Um tumor perdido provavelmente aparecerá em um exame de acompanhamento alguns meses depois.

“No futuro não muito distante, acredito que todos faremos rotineiramente MRIs de corpo inteiro pagos por nossas seguradoras – já que não são irradiantes”, disse Allouche.

No entanto, em algumas cidades, já há poucos radiologistas para atender à demanda por imagens reativas. Se a indústria se deslocar para imagens preventivas, as ferramentas de AI se tornarão indispensáveis.

O CEO da Gleamer acredita que a AI poderia se tornar uma ferramenta de “orquestração e triagem”. A maioria dos exames de imagem médica é realizada como uma forma de descartar alguns diagnósticos. “Portanto, há uma necessidade real de automatizar tudo isso com um modelo de AI muito sólido que tenha um nível de sensibilidade muito maior do que um humano”, disse Allouche.