放射科醫師的鋼鐵人裝甲：Epsilon Health 攜 2,760 萬美元走出隱身期，一年內讀取全美每日 X 光片的 1%

2026 年 9 月 10 日，一家名為 Epsilon Health 的舊金山新創公司走出隱身期，宣布完成 2,760 萬美元融資，同時拋出一個幾年前聽來會像天方夜譚的數字：營運不到十個月，其「AI 原生放射科診所」已朝向解讀全美每日 X 光檢查量約 1% 的規模邁進。

本輪融資由 AlleyCorp 領投，Uncork Capital、Renegade Partners、SemperVirens 與 Jack Altman 跟投。公司成立於 2024 年，創辦人暨執行長 Rustin Rassoli 在放射科產業長大，曾表示「如果我不做這件事，就沒有人會做」。Epsilon 打造的不是另一套讓放射科醫師自行安裝學習的 AI 工具，而是從零開始、以 AI 為核心重新設計臨床工作流程的新型態放射科診所。

一個無法靠「更多軟體」修復的體系

美國放射科產業正處於一場安靜的危機。退休的放射科醫師多於新進人力，影像檢查需求卻逐年攀升。自 2014 年以來，影像判讀等待時間已成長三倍。病患幾分鐘就能照完一張 X 光，卻往往要等上好幾天才有醫師判讀——對於病情可能嚴重的患者而言，這幾天格外漫長。

產業至今的答案是 AI 工具：超過 750 個放射科 AI 工具已問世，背後投入數十億美元。結果卻不盡理想——工具雖多，實際使用的放射科醫師不到三分之一，等待時間甚至比十年前更長。Uncork Capital 的 Tripp Jones 在投資備忘錄中直言：「這個體系已經壞了，而你無法靠銷售更多軟體來修好它。」

問題的算術很殘酷。平均每位放射科醫師每天判讀約 50 份檢查，還得同時應付會診、排程與其他臨床事務。瓶頸不在影像取得——現代掃描儀幾分鐘就能成像；瓶頸在判讀產能，而這產能無法靠增聘人力擴張，因為人才管道正在萎縮。

不是工具，而是一家診所

Epsilon 的答案是結構性的，而非漸進式的。該公司不交付另一套放射科醫師需要學習的軟體，而是經營其所稱的「AI 原生放射科診所」：將 AI、執業放射科醫師與臨床工作流程整合為單一體系，讓每位醫師的判讀能力大幅放大。

公司公布的數字相當可觀：影像判讀速度提升 2 至 3 倍，等於將體系產能直接翻倍或翻三倍。每位放射科醫師的生產力大幅提高，卻不需改變既有工作方式——沒有新介面要學、沒有流程要重建。Jones 形容這套系統是「放射科醫師的鋼鐵人裝甲」。

這個定位至關重要，因為它讓 Epsilon 有別於目前 AI 放射科的兩大主流模式。第一種是「軟體供應商」模式：把工具賣給醫院，期望它被嵌入從未為其設計的工作流程——結果就是超過四分之三的放射科醫師根本不用 AI。第二種是「自主 AI」模式：演算法在沒有醫師的情況下判讀影像，在美國仍面臨法規與責任歸屬的雷區，並遭遇深厚 的制度性抗拒。Epsilon 走的是第三條路——一家 AI 原生診所，與放射科醫師和影像機構簽約合作，讓醫師穩居判讀迴圈之內，並圍繞人機協作重新架構整條判讀管線。

資料飛輪

Epsilon 模式中最具戰略意義的一環，是其複利式的資料優勢。該公司的 AI 每次被放射科醫師使用就變得更好，因為醫師的每一次修正都成為新的臨床訓練資料。相較於依賴教科書資料集或市售標註資料訓練的模型，Epsilon 的模型是在真實醫師處理真實病例的日常工作中持續精煉。

這構成典型的飛輪效應：判讀量增加 → 醫師修正增多 → 模型更好 → 判讀更快更準 → 客戶更多 → 判讀量再增加。這與其他 AI 原生服務業已上演的結構性優勢如出一轍，且既有業者難以複製——因為資料來自診所營運本身。

市場已經給出反應。美國若干最大型的影像機構在評估 Epsilon 的成果後，結論是「當客戶比自己重建一套更容易」——公司將此視為優勢真實存在的佐證。

實際營運數字

對一家營運不到一年的公司而言，Epsilon 的規模並不常見：

• 自上線以來已服務超過 25 萬名病患
• 每天處理約 2,500 份影像檢查
• 第一年即朝向解讀全美每日 X 光檢查的 1% 邁進

最後一個數字值得換算一下。美國每天在醫院、診所與影像中心執行的 X 光檢查以數十萬計。一家 2024 年才成立的新創，讀到其中一個百分點——而且不是試點，是實際的臨床產能——說明這套模式不是展示品，而是客戶仰賴的基礎設施。

團隊背景也解釋了這種速度。醫務長 Dr. Roi Bittane 曾管理全美最大放射科醫師集團，至今幾乎每天仍親自判讀影像；機器學習與 AI 團隊負責人 Arjun Karpur 是 DeepMind 前研究員。創辦人 Rustin Rassoli 在產業中長大，多年來近距離見證人力短缺危機，他說自己「親眼看見不斷膨脹的積案與放射科醫師短缺，對那些只是等待一個答案的病患造成什麼影響」。

為何是這個模式、為何是現在

Epsilon 的亮相，正值 AI 醫療論辯在炒作與恐懼之間高度兩極化之際。這家公司是一個有用的參考點，因為它既非承諾、也非威脅——它是一家擁有真實臨床流量的營運中企業。

「AI 原生診所」模式也繞開了阻礙 AI 进入放射科的兩大難題。其一是採用難題：醫院採購的工具被醫師棄用，因為工具為超載的工作流程增添摩擦；Epsilon 的客戶不存在這個問題，因為 Epsilon 本身就擁有並經營工作流程。其二是責任難題：無醫師簽核的自主判讀仍有爭議；在 Epsilon 的模式中，醫師在 AI 放大下進行判讀——「鋼鐵人裝甲」——恰好安穩落在既有醫療法律架構之內。

風險同樣真實。放射科集團與醫院可能抗拒將判讀外包給新診所；既有遠距放射公司可用資本複製 AI 原生結構；隨著規模擴大，AI 輔助判讀的法規環境也可能趨嚴。規模化一家臨床診所的難度遠高於規模化一套軟體，而且當流量倍增時，品質必須守得住。

但底層數學站在解決者這一邊。影像需求逐年上升、放射科人力逐年萎縮，而 750 多個單點解決方案都未能扭轉曲線。判讀產能才是真正的約束，而擴張它的唯一可信路徑，就是讓每位放射科醫師的生產力大幅躍升。Epsilon 的早期數字——判讀快 2 至 3 倍、每天 2,500 份檢查、第一年讀全美 X 光的 1%——是有人可能真的做到了的第一份證據。

對病患而言，賭注再簡單不過：幾分鐘就能照完的 X 光，不該花上幾天才能讀完。一家舊金山新創公司刚以 2,760 萬美元的融資押注自己能填補這道鴻溝——而且它已經在讀你的片子了。