Aide au diagnostic, quantification, caractérisation, reconstruction d’image: l’intelligence artificielle médicale à portée de main pour la radiologie

qXR

Solution d’IA pour le diagnostic des radiographies du thorax

qXR est un outil qui assiste le radiologue et les services d’urgence dans la détection des pathologies thoraciques en radiographie. qXR analyse la radio, détecte de nombreuses pathologies thoraciques (poumon, plèvre et médiastin) et intègre le résultat dans l’environnement de lecture habituel du radiologue. Une liste de travail avec la classification des examens en “normaux” et “anormaux” permet au radiologue et urgentistes de prioriser le flux de patients.

Détection et localisation automatique de pathologies thoraciques sur le poumon, la plèvre et le médiastin.

A titre d’exemple, la solution qXR détecte des opacités comme les cavités, les cardiomégalies, les épanchements, les pneumothorax… La solution permet également un dépistage de la tuberculose et de la COVID 19.

Classification et triage automatique des examens comme normaux / anormaux au sein d’une liste de travail

L’algorithme qXR propose aux radiologues et urgentistes un aperçu global des résultats de l’IA de tous les examens du jour avec un triage normal/anormal.

Production automatisée d’un rapport intégrant une image annotée et des pathologies détectées et localisées 

qXR génère un rapport pré-rempli qui contient les images annotées, l’information du caractère normal/anormal de l’examen et toutes les anomalies détectées et leur localisation. 

  • pathologies thoraciques
  • poumon
  • plèvre
  • médiastin
  • opacités
  • pneumothorax
  • épanchement
  • radiographie

Priorisez le flux

sort

Priorisez le flux aux urgences et améliorez la prise en charge des patients grâce à la solution de triage.

Gagnez du temps

timelapse

Gagnez du temps grâce à l’automatisation complète de la détection de certaines pathologies.

Intégré à vos flux

dashboard_customize

Intégrez une assistance d’IA directement dans votre infrastructure existante et dans votre flux de travail clinique habituel.

Gagnez du temps, sécurisez votre diagnostic et optimisez votre flux de travail avec Incepto

Publications

  1. United Nations Scientific Committee on the Effects of Atomic Radiation.Sources and Effects of Ionizing Radiation: UNSCEAR 2008 Report. Vol 1. New York, NY: United Nations; 2010.
  2. Forrest JV, Friedman PJ. Radiologic errors in patients with lung cancer. West J Med. 1981; 134:485– 490. PMID: 7257363
  3. Donald J, Barnard SA.Common patterns in 558 diagnostic Radiology Errors.J Med Imaging Radi at Oncol.2012 ; 56(2):173-178. doi:10.1111/j.1754-9485.2012.02348.x
  4. Can Artificial Intelligence Reliably Report Chest X-Rays? Radiologist Validation of an Algorithm trained on 2.3 Million X-Rays. arXiv:1807.07455v2 [cs.CV] 4 Jun 2019
  5. Deep learning in chest radiography: Detection of findings and presence of change. Ramandeep SinghID1,2, Mannudeep K. Kalra1,2, Chayanin NitiwarangkulID1,2,3, John A. Patti1,2, Fatemeh Homayounieh1,2, Atul Padole1,2, Pooja Rao4, Preetham Putha4, Victorine V. Muse1,2, Amita Sharma1,2, Subba R. Digumarthy . PLOS ONE | https://doi.org/10.1371/journal.pone.0204155 October 4, 2018

Gagnez du temps, sécurisez votre diagnostic et optimisez votre flux de travail avec Incepto