BioStack lève 9,5 millions de dollars pour 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 millions de dollars. Sa mission : transformer les données hospitalières en système d'entraînement et d'évaluation pour les modèles d'IA médicale. Sur un marché où les LLM cliniques et les réseaux de neurones diagnostiques se multiplient plus vite que les moyens de les vérifier, c'est un coup dans le mille.

Une équipe au bagage académique et cloud

BioStack compte deux fondateurs, et leur parcours montre sous quel angle l'entreprise aborde le problème. Sanat Mishra a travaillé à Stanford, Yale, Carnegie Mellon et à l'Institut Max Planck. Un éventail d'institutions où l'IA médicale est étudiée sérieusement et où l'on sait à quoi ressemblent réellement les données cliniques : incomplètes, bruitées, rédigées par des personnes différentes et dans des formats différents.

Parth Patwa était auparavant chercheur en IA générative chez AWS et est lié au MIT. C'est un regard venu de l'autre côté : comment bâtir un pipeline scalable pour entraîner et tester des modèles, et pas seulement publier des articles. Pour un projet à la croisée des systèmes hospitaliers et du machine learning, cette combinaison d'expérience en recherche et en ingénierie semble logique.

Pourquoi l'entraînement et l'évaluation précisément

Dans la formulation de l'entreprise figurent deux mots habituellement séparés : entraînement et évaluation. Pour l'entraînement, tout est clair : pour qu'un modèle analyse des imageries, des comptes rendus ou des protocoles, il lui faut des exemples annotés et uniformisés. L'évaluation est plus complexe en médecine. Les benchmarks génériques, du type examens standardisés, montrent mal comment un modèle se comportera face au flux réel de patients d'un établissement donné. Celui qui détient à la fois les données et la méthodologie de vérification obtient un levier sur toute la chaîne de développement.

C'est précisément pourquoi l'idée de transformer les données hospitalières en matériel à la fois « pédagogique » et « d'examen » séduit les investisseurs. Si la couche de données fonctionne comme une infrastructure, elle peut accueillir aussi bien des start-up spécialisées sur des modèles de niche que de grands laboratoires ayant besoin d'une validation clinique.

Ce que l'on sait du tour de table

• Entreprise : BioStack, infrastructure de données médicales
• Tour de table : amorçage, 9,5 millions de dollars
• Date d'annonce : 22 octobre
• Fondateur : Sanat Mishra, parcours à Stanford, Yale, Carnegie Mellon et à l'Institut Max Planck
• Co-fondateur : Parth Patwa, ancien chercheur en IA générative chez AWS, lié au MIT
• Positionnement produit : les données hospitalières comme socle pour l'entraînement et l'évaluation des modèles d'IA médicale

Ce que développeurs et établissements de santé doivent surveiller

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

Une équipe qui développe un modèle médical devrait d'abord voir ce type de plateforme comme une source de validation. Un test sur des données proches de la pratique clinique réelle est plus convaincant que n'importe quel classement public. Pour les établissements de santé, un tel partenaire est intéressant comme moyen d'impliquer leurs archives dans le développement de l'IA sous contrôle, plutôt que de les confier à des prestataires dispersés.

Un montant de 9,5 millions de dollars pour un tour d'amorçage dans l'infrastructure de données n'a rien de modeste : de quoi constituer une équipe, signer les premiers contrats avec des établissements de santé et montrer un pipeline opérationnel. Le prochain jalon à surveiller : des partenaires hospitaliers rendus publics et les premiers modèles évalués sur cette plateforme.