BioStack lève 9,5 M$ pour fournir les données d'entraînement de l'IA médicale

L'IA médicale ne bute pas sur les architectures, mais sur les données. La start-up BioStack, qui se présente comme une entreprise d'infrastructure de données médicales, a annoncé le 22 octobre la clôture d'un tour d'amorçage de 9,5 M$. Son objectif : transformer les données des hôpitaux en un système d'entraînement et d'évaluation de modèles d'IA médicaux. Sur un marché où les LLM cliniques et les réseaux de neurones de diagnostic se multiplient plus vite que les moyens de les vérifier, BioStack s'attaque à un vrai goulot d'étranglement.

Une équipe au double profil, académique et cloud

BioStack compte deux fondateurs, et leurs parcours montrent par quel côté l'entreprise aborde le problème. Sanat Mishra a travaillé à Stanford, à Yale, à Carnegie Mellon et à l'Institut Max-Planck. Ce sont des lieux où l'IA médicale fait l'objet de recherches sérieuses, et où l'on sait à quoi ressemblent les données cliniques réelles : incomplètes, bruitées, rédigées par des personnes différentes et dans des formats variés.

Parth Patwa était auparavant chercheur en IA générative chez AWS et est lié au MIT. Son regard est complémentaire : comment construire un pipeline scalable d'entraînement et de test de modèles, au lieu de se contenter de publier des articles. Pour un projet à la jonction des systèmes hospitaliers et du ML, cette combinaison d'expérience en recherche et en ingénierie paraît logique.

Pourquoi l'entraînement et l'évaluation

La formulation de l'entreprise réunit deux termes que l'on sépare d'ordinaire : l'entraînement et l'évaluation. L'entraînement ne pose pas de difficulté de principe : pour qu'un modèle analyse des images, des comptes rendus de sortie ou des protocoles, il lui faut des exemples annotés et mis sous un format unique. L'évaluation est plus délicate en médecine. Les benchmarks généralistes, comme les examens types, disent mal comment un modèle se comportera face au flux de patients réels d'une clinique donnée. Celui qui maîtrise à la fois les données et la méthode de vérification obtient un levier sur toute la chaîne de développement.

C'est précisément pour cela que l'idée de transformer les données hospitalières en matériau à la fois « d'apprentissage et d'examen » séduit les investisseurs. Si la couche de données fonctionne comme une infrastructure, elle peut accueillir aussi bien des start-up aux modèles spécialisés que de grands laboratoires qui ont besoin d'une validation clinique.

Ce que l'on sait du tour de table

• Entreprise : BioStack, infrastructure de données médicales
• Tour : amorçage, 9,5 M$
• Date de l'annonce : 22 octobre
• Fondateur : Sanat Mishra, passé par Stanford, Yale, Carnegie Mellon et l'Institut Max-Planck
• Cofondateur : Parth Patwa, ancien chercheur en IA générative chez AWS, lié au MIT
• Positionnement produit : les données hospitalières comme base d'entraînement et d'évaluation des modèles d'IA médicaux

Ce que développeurs et cliniques doivent surveiller

La question centrale pour ce type d'entreprise : comment elle règle l'accès aux données et la confidentialité. Les hôpitaux partagent leurs dossiers à contrecœur, et les exigences réglementaires sur les informations médicales sont strictes. La manière dont BioStack construira ses relations avec les cliniques et protégera les patients déterminera si sa couche devient un standard ou reste un service de niche.

Une équipe qui développe un modèle médical a intérêt à voir ces plateformes avant tout comme une source de validation. Un test sur des données proches de la pratique clinique réelle convainc davantage que n'importe quel classement public. Pour les cliniques, un tel partenaire permet d'intégrer leurs archives au développement de l'IA sous contrôle, plutôt que de les confier à des prestataires dispersés.

Avec 9,5 M$, la somme n'a rien de modeste pour un tour d'amorçage dans l'infrastructure de données : elle permet de constituer une équipe, de signer les premiers contrats avec des établissements de santé et de présenter un pipeline fonctionnel. Les prochains jalons à surveiller : des hôpitaux partenaires annoncés publiquement et les premiers modèles évalués sur cette plateforme.