1000个AI工具没能解决的放射科排队，这家公司用"自己当放射科"来解：Epsilon融资2760万美元
9月10日，美国AI原生放射科实践Epsilon Health宣布完成2760万美元融资（含2000万美元A轮，AlleyCorp领投）。与'卖工具给医院'的路线不同，Epsilon自己组建放射科团队直接向医院提供阅片服务：10个月覆盖25万名患者、日均2500例、约占全美1%的X光片量。其护城河在数据飞轮、责任归属清晰与绕开医院采购流程三条，商业模式能否规模化的关键在放射科医生成本与质量控制的平衡。
资本速览：9月10日，旧金山公司Epsilon Health退出隐身，宣布完成2760万美元融资（含AlleyCorp领投的2000万美元A轮），Uncork Capital、Renegade Partners、SemperVirens和Jack Altman参投。这家公司成立不到10个月，已经服务超过25万名患者、每天处理2500多例影像，正朝着"2026年解读全美1%的日常X光片"冲刺。它的定位在英语世界里叫AI-native radiology practice——AI原生放射科实践。翻译过来就一句话：不做卖给医院的AI工具，直接自己开放射科。
交易结构：先看条款
| 要素 | 条款 |
|---|---|
| 轮次 | A轮2000万美元（总融资披露2760万美元） |
| 领投 | AlleyCorp（普通合伙人Alexi Nazem本人是医生） |
| 参投 | Uncork Capital、Renegade Partners、SemperVirens、Jack Altman |
| 时间线 | Axios于9月9日先行报道A轮，公司9月10日官宣 |
| 资金用途 | 市场扩张、招聘、临床合作、基础设施 |
一个小细节：投资方名单里的Jack Altman（Alt Capital管理合伙人）此前就投过种子轮，这次继续加注——老股东追投在早期医疗项目里通常是最硬的信号。媒体对轮次金额的口径略有出入（$20M A轮 vs $27.6M总融资），公司口径是"以Series A名义披露的总额"，本篇按公司官方数字。
模式对比：卖软件的Rad AI/Aidoc vs 自己当放射科的Epsilon
放射科AI是个拥挤到近乎内卷的赛道——市场上已经聚集了超过1000款AI工具。Aidoc做分诊_alert，Rad AI做报告生成，几乎所有玩家都遵循同一个商业模式：把软件卖给医院或影像中心，装进放射科医生的工作流。
Epsilon的选择是反着来的：与委员会认证的放射科医生签约，由公司直接运营读片业务——AI嵌在自家医生的工作流里，负责病例路由、信息检索、报告起草、历史对比、质量核查；医生审阅、修改、签署报告，并对最终诊断负全责。
这两个模式的差别，不只是"卖软件还是卖服务"这么表面：
- 工具模式下，AI公司不接触患者，不承担诊断责任，收入是软件订阅；
- 实践模式下，Epsilon要招募医生、排班保障覆盖、管理临床质量、保护患者数据、按时交付报告——把技术公司该规避的所有"重"都背了下来。
那为什么还要选重的？看行业背景就明白了。
运营数据盘点：为什么投资人相信"实践"是答案
美国放射科的结构性困境已经不需要论证：75%的医疗决策依赖影像；美国放射学会（ACR）的2026年 workforce 报告说影像量增速持续超过医生供给；一半以上的放射科医生已接近退休年龄；医生离开执业的速度是十年前的两倍多。
而过去十年的"工具补救"效果如何？Epsilon创始人Rustin Rassoli的判断很尖锐：**1000多款AI工具上市了，患者的等待时间却没有变好。**原因在于工具模式的天花板——每家医院要自己完成选型、集成、培训、监控，AI的部署成本落在客户的组织能力上，而组织能力的扩张速度永远追不上影像量的增长。
Epsilon给出的运营数据：
- 成立不到10个月，服务超25万名患者；
- 日均处理超2500例影像；
- 承接全美最大门诊影像服务商之一过半的影像量（客户未具名）；
- 按投资方口径，读片速度提升2-3倍（公司自报，未经独立审计）；
- 有望在2026年解读全美约1%的日常X光片。
1%听上去不大，但考虑到全美每天X光片的绝对量，这是一家成立不到一年的公司拿下的份额——它验证的是"实践模式可以规模化"这个核心假设。
为什么垂直整合成立：数据飞轮、责任归属、绕开采购
拆开看这个模式的三层护城河：
其一，数据飞轮的合规化。工具模式想要训练数据，要跟每家医院谈数据使用授权，谈下来的是碎片化的、脱敏后的、失去上下文的数据。实践模式下，AI和医生在同一个法人实体内工作，每一份真实病例、每一次医生对AI草稿的修改，天然构成高质量的训练反馈回路——"今天的患者悄悄改进了一百万个未来患者的诊断"，这是AlleyCorp合伙人Nazem的原话。
**其二，责任归属的重新分配。**工具模式下，"AI错了算谁的"永远是一笔糊涂账，也是医院采购时最大的心理障碍。实践模式下，责任链条清晰：医生签署报告，公司承担运营责任。看起来是负担，实际上是采购转化的加速器。
**其三，绕开了医院采购周期。**卖软件进一家医院平均要面对漫长招标与合规审查；自己当实践，接入影像中心的转诊流量即可开工。Epsilon能在一个最大客户的体系内吃下过半影像量，工具模式几乎不可能做到这种渗透深度。
团队配置也在为这个模式背书：CMO Roi Bittane来自Envision Radiology（全美第二大放射医生集团，500+医生）的首席医疗官岗位——管理数百名签约放射科医生这件事，需要的是"管过医生集团"的人，不是"训过模型"的人。
风险清单：模式的重，也是模式的险
按惯例列三条最硬的风险：
**其一，医生成本是刚性负债。**软件公司的毛利随规模扩张而改善；实践模式下，每增加一份影像量就要匹配对应的医生工时，边际成本曲线远不如软件陡峭。它更像一家"AI增强的人力密集型医疗服务公司"，估值体系应该向医疗服务而不是SaaS靠拢。
**其二，质量的规模化难题。**10个月25万患者的质量记录是干净的，但从2500例/天到10000例/天，签约医生的质量分布、跨州执业资质、夜间覆盖，每一个都是运营深水区。Envision Radiology自己的破产重组（2023年）就是前车之鉴——人力密集型放射科业务的财务模型非常脆弱。
**其三，数据的独立审计缺位。**2-3倍提速、1%X光份额都是公司自报口径，公开材料中没有任何独立验证。下一个融资节点前，这些数字需要外部证据支撑。
镜像思考：中国会不会出现"AI原生影像中心"
把镜头拉回国内。中国影像AI公司的商业模式与美国同行高度趋同：拿证、进院、按例收费或订阅。而中国同样存在影像能力的城乡梯度——基层不是没有设备，是没有看片的人。
Epsilon的实践模式给出一个参照系：当工具渗透不动的时候，把AI装进自己运营的服务载体里（一个影像中心、一辆移动医疗车、一个区域读片中心），可能是下沉市场更可行的交付形态。国内政策面上，基本公卫经费购买AI服务的通道刚刚打开（见我们同日另一篇），"AI公司自己持牌提供服务、政府按服务付费"的模型，在合规上并非没有想象空间。
工具时代比的是谁家的模型准，实践时代比的是谁能把诊断服务做稳、做便宜、做进转诊流。Epsilon用2760万美元下的注是后者——这个注，值得全行业盯着。
原文链接：Epsilon Health: Epsilon Raises $27.6M to Reinvent How Radiology is Delivered
千方医数集编辑部 出品
