Bioptimus
Company building foundation models for biology, training large-scale AI on multimodal biological data spanning molecules, cells, and tissues to power discovery.
Key Features
- H-Optimus-1 病理基礎模型，PathBench 公開評測排名第一
- M-Optimus 多模態模型，整合病理、空間轉錄體與基因體
- STELA 資料引擎，彙整跨機構跨疾病的深度標註病人資料
- 預測藥物標靶空間分布、免疫微環境與基質結構
- 應用於治療反應預測與臨床試驗設計最佳化
Pros
- 在公開評測 PathBench 拿第一，表現有第三方基準可對照
- 部分模型可在 Hugging Face 取得，研究者能自行驗證
- 客戶涵蓋前 20 大藥廠中的 16 家，商業驗證相當紮實
Cons
- 企業級應用未公開價格，中小型單位不易評估導入成本
- 病理 AI 要進臨床端使用需通過醫材法規，時程不短
- 多模態模型需要高品質配對資料，多數醫院現有資料不見得夠
Use Cases
- 藥廠做藥物標靶與生物標記的探索
- 既有藥物的適應症擴展分析
- 癌症中心做治療反應預測的研究
- 臨床試驗設計時篩選最可能受益的病人族群
- 病理研究團隊比較數位病理模型的表現
Editor's Note
病理 AI 這幾年進展很快，但多數產品都是單一任務的窄模型。Bioptimus 想做的是底層基礎模型，野心大很多。我覺得它最聰明的一步是把模型放上 Hugging Face——研究者能自己跑、自己比，信任就是這樣建立的。台灣數位病理剛起步，這種可自行驗證的模型對本地研究特別友善。
FAQ
H-Optimus-1 可以免費使用嗎？
Bioptimus 有把部分模型釋出到 Hugging Face 供研究使用，官網也提到模型下載量累計超過 118 萬次。不過企業級的完整平台與 STELA 資料引擎是商業服務，需要洽詢。實際授權條款請以 Hugging Face 上的模型卡為準。
PathBench 第一名代表臨床上就好用嗎？
不能直接畫等號。公開評測衡量的是特定任務在特定資料集上的表現，臨床落地還要面對不同染色流程、不同掃描機型、不同人種族群的資料偏移。排名好是必要條件，不是充分條件。
台灣的醫院可以拿自己的切片資料來用嗎？
做研究驗證是可行的，很多團隊就是這樣做方法學比較。但要注意兩件事：病理切片屬於個人健康資料，院內 IRB 與去識別化流程要先跑完；另外如果要用於臨床判讀，就涉及醫材法規，那是完全不同的一條路。
