Cancer du sein

Transpara par ScreenPoint

Portez un oeil nouveau sur la mammographie

Un défi quotidien

Avec plus de 50.000 cancers du sein diagnostiqués en France et 4.4 millions d’examens par an, la mammographie représente un défi quotidien, même pour l’œil expert. Ne manquer aucun cancer sans produire de faux positifs reste un challenge pour chaque praticien.

Et si une solution IA classait les images présentant les plus grands risques de lésions cancéreuses ?

Entraîné sur plus d’1 millions de clichés en utilisant les techniques les plus avancées de deep learning, Transpara identifie directement les zones les plus suspectes dans les mammographies en 2D et 3D.

A travers une aide au diagnostic interactive et validée scientifiquement, la lecture des radiologues dépasse les performances des systèmes CAD traditionnels.

En fonction des résultats, chaque cas est classé grâce au Transpara Score, selon le risque de présence d’un cancer, et peut être utilisé pour prioriser certains examens en toute confiance.

Les avantages

  • Optimisez votre charge de travail en focalisant votre attention sur les cas les plus compliqués.
  • Confirmez votre identification des cas à bas risque.
  • Raccourcissez votre temps d’examen.
  • Réduisez les erreurs d’interprétation et améliorez vos performances de lecture.
  • Intégrez un outil d’aide au diagnostic directement votre flux de patients.

30 ans d’expertise

ScreenPoint Medical est né d’une collaboration entre le Pr Nico Karssmeijer and Sir Mike Brady, deux des principaux experts mondiaux dans l’analyse quantitative d’imagerie du sein et d’aide au diagnostic.

Nico a été un des pionniers de l’assistance de diagnostic automatique, notamment à travers la diffusion de la mammographie numérique en Europe. Il est professeur au département de Radiologie de l’Université de Radboud aux Pays Bas.

Publications

  1. Schaffter, T. et al. Evaluation of Combined Artificial Intelligence and Radiologist Assessment to Interpret Screening Mammograms. JAMA Netw Open 3, e200265 (2020).
  2. Sasaki, M. et al. Artificial intelligence for breast cancer detection in mammography: experience of use of the ScreenPoint Medical Transpara system in 310 Japanese women. Breast Cancer 27, 642–651 (2020).
  3. Lång, K. et al. Identifying normal mammograms in a large screening population using artificial intelligence. Eur Radiol (2020) doi:10.1007/s00330-020-07165-1.
  4. Rodriguez-Ruiz, A. et al. Can we reduce the workload of mammographic screening by automatic identification of normal exams with artificial intelligence? A feasibility study. Eur Radiol 29, 4825–4832 (2019).
  5. Rodriguez-Ruiz, A. et al. Stand-Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists. 7 (2019).
  6. Le, E. P. V., Wang, Y., Huang, Y., Hickman, S. & Gilbert, F. J. Artificial intelligence in breast imaging. Clinical Radiology 74, 357–366 (2019).
  7. Bahl, M. Detecting Breast Cancers with Mammography: Radiology 2 (2019) doi:https://doi.org/10.1148/radiol.2018182404.
  8. Rodríguez-Ruiz, A. et al. Detection of Breast Cancer with Mammography: Effect of an Artificial Intelligence Support System. Radiology 181371 (2018) doi:10.1148/radiol.2018181371.
  9. Hupse, R. et al. Computer-aided Detection of Masses at Mammography: Interactive Decision Support versus Prompts. Radiology 266, 123–129 (2013).