Altis Labs完成2500万美元A轮：用AI生成肿瘤试验生存终点，把影像从次要指标变成主要依据
9月17日，多伦多AI临床终点公司Altis Labs宣布完成2500万美元A轮融资，由OrbiMed与启明创投美国基金联合领投，Innovation Endeavors、Benchstrength、Fusion Fund以及Lumira Ventures通过Cancer Breakthrough Fund参与。公司旗舰产品IPRO基于真实世界结局训练的AI模型，可从常规影像扫描自动生成生存预测，用于提升肿瘤临床试验对治疗获益的测量精度。资金将用于把模型扩展到更多癌种、扩大与全球生物制药伙伴的商业化部署。
2500万美元A轮：AI把肿瘤试验的生存终点从影像里算出来
影响分析 × 药企研发视角 ｜ 行业观察
2026年9月17日，Axios Biotech Deals 首发、The SaaS News 同步报道，总部位于多伦多的AI临床终点公司完成2500万美元A轮融资，由OrbiMed与Qiming Venture Partners USA（启明创投美国基金）联合领投，Innovation Endeavors、Benchstrength、Fusion Fund、Lumira Ventures（通过 Cancer Breakthrough Fund）跟投。创始人Felix Baldauf-Lenschen，旗舰产品IPRO从常规放射影像自动生成生存预测。
一、融资卡片：金额、领投方与公司坐标
先把这张卡片读完。轮次是A轮，金额2500万美元。领投方是两家：OrbiMed，医疗健康领域的老牌基金；Qiming Venture Partners USA，启明创投的美国基金。跟投名单里有Innovation Endeavors、Benchstrength、Fusion Fund，以及通过 Cancer Breakthrough Fund 出资的 Lumira Ventures。
这份名单里有两个信号。一是知名医疗专业基金领投，说明标的经过了临床与注册路径的尽调，而不是单纯押注AI概念。二是跟投方中包含以突破性癌症项目为主题的基金，方向选择已经被资本确认。多家机构共同参与，也意味着这笔钱不是试水，而是要跑一段验证周期。
公司坐标在多伦多，创始人Felix Baldauf-Lenschen。加拿大在临床试验领域有相当扎实的医院网络和数据积累，这对一家做临床终点的公司来说是合适的起点。做终点预测需要的是带长期结局随访的影像数据，这类资产的获取能力，比算法团队的名气更重要。
二、问题拆解：肿瘤试验为什么需要更硬的终点
要理解这家公司为什么能拿到钱，得先理解药企研发端的痛点。
肿瘤临床试验的核心问题是终点。总生存期是最硬的终点，但测量周期太长，一款药等到读出总生存数据，可能需要数年，中间的机会成本极高。影像学终点读得快，却与患者真正获益之间存在距离——肿瘤缩小了不等于活得更久，这是肿瘤药物开发里反复出现的教训。
再往细里说，影像终点还有一层麻烦：它依赖阅片评估，不同中心、不同评估者之间的一致性会成为噪声来源。多中心试验里，影像数据的读取流程本身就要消耗大量时间与协调成本，还要在统计上处理评估差异。
于是药企长期在两难中取舍：要快，就得用间接终点承担不确定性；要硬，就得等上数年，把现金流和竞争窗口都押进去。任何能在不牺牲可靠性的前提下压缩这个周期的工具，都会直接改变研发管线的排期。这也是AI终点这个概念能吸引医疗专业基金的原因，它触碰的是研发效率的核心变量。
三、产品逻辑：IPRO如何从常规影像里算出生存预测
旗舰产品IPRO的思路正是切在这个位置上：从常规放射影像扫描自动生成生存预测，帮助药企更可靠地分析临床试验数据。
值得从研发视角细看的是常规二字。如果算法要求额外检查、额外扫描协议或额外采集流程，试验方案就要改动，成本与执行难度会立刻上升，可能还要重新走伦理与方案变更流程。以常规影像为输入，意味着它有机会嵌入现有的试验流程，而不需要重新设计数据采集。这是一个典型的低侵入式切入点。
技术主张是，基于真实世界结局训练的AI模型，在预测患者生存与临床获益方面比传统影像终点更准确。真实世界结局这个训练目标很关键，它让模型学的是结局，而不是影像标注者给出的中间判断。资金用途列了三项：将AI模型扩展到更多癌种、扩大与全球生物制药伙伴的商业化部署、推动AI终点成为肿瘤临床试验的新标准。
三项的排序很清楚。先扩适应症，再扩客户，最后才是改标准。前者是产品迭代，后者是行业规则，难度不在一个量级。
四、资本含义：监管端对AI终点的接受度是这条赛道的天花板
从药企研发的视角看，这家公司的天花板不由算法决定，而由监管沟通决定。
临床试验终点是一个被监管认可的概念，不是企业自封的指标。一个AI模型无论预测得多准，只要没有被监管机构接受为可用的终点或终点支持证据，它在注册性试验里就无法承担决定性角色。这也是资金用途第三条要推动AI终点成为新标准的原因——那才是真正的护城河。
换个角度看，这条路线的竞争壁垒也不完全在算法。终点模型要在多个癌种、多个治疗线、多个影像设备与中心之间保持稳定，靠的是数据规模与一致性积累，而这类积累难以速成。谁先和监管建立可重复的沟通样本，谁就更可能定义评价方法。
2500万美元在AI医疗融资里不算大额，但A轮阶段足够跑完几件关键的事：扩癌种、拿关键的真实世界或回顾性验证结果、以及在几个合作伙伴那里完成概念验证。下一步的估值跳跃，大概率取决于有没有一例被监管方正面回应的沟通记录。
五、冷静观察：终点替代需要监管认可，从工具到标准还隔着一层
需要明确的边界有三条。
第一，AI终点的商业化天花板取决于监管是否接受其作为主要终点。在获得这种接受之前，它的合理定位是辅助分析工具或支持性证据，而不是替代品。这个区别对估值逻辑是决定性的。
第二，终点替代的路径通常是渐进的。行业惯例往往先从支持性终点或亚组分析切入，积累足够多的案例与一致性证据后，才可能进入主要终点讨论。这中间可能需要多轮试验数据的沉淀。
第三，从工具到标准隔着的是共识，不是技术。标准需要药企、监管、统计学家与临床研究者多方认同，这个过程由评审实践推动，节奏不由创业者掌握。
这家公司选的方向是对的，肿瘤试验确实需要更硬的终点，也确实需要更快的读数。但从一个被资本认可的AI工具，走到一个被监管接受的行业标准，中间那层膜才是真正的分水岭。
千方医数集编辑部 出品
