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. A. Rodriguez-Ruiz, K. Lång, A. Gubern-Merida, M. Broeders, G. Gennaro, P. Clauser, T. Helbich, m. Chevalier, T. Tan, T. Mertelmeier, W. Wallis, I. Andersson, S. Zackrisson, R. Mann, I. Sechopoulos. Stand-alone artificial intelligence for breast cancer detection in mammography: Comparison with 101 radiologists. Journal of the National Cancer Institute 2018, .​
  2. A. Rodriguez-Ruiz, E. Krupinski, J. Mordang, K. Schilling, S. Heywang-Kobrunner, I. Sechopoulos, R. Mann. Detection of breast cancer using mammography: Impact of an Artificial Intelligence support system. Radiology 2018, In press.
  3. R. Hupse, M. Samulski, M.B. Lobbes, R.M. Mann, R. Mus, G.J. den Heeten, D. Beijerinck, R.M. Pijnappel, C. Boetes and N. Karssemeijer. Computer-aided Detection of Masses at Mammography: Interactive Decision Support versus Prompts. Radiology 2013;266:123-129.
  4. R. Hupse, M. Samulski, M. Lobbes, A. den Heeten, M.W. Imhof-Tas, D. Beijerinck, R. Pijnappel, C. Boetes and N. Karssemeijer. Standalone computer-aided detection compared to radiologists’ performance for the detection of mammographic masses. European Radiology 2013;23:93-100.
  5. M. Samulski, R. Hupse, C. Boetes, R. Mus, G. den Heeten and N. Karssemeijer. Using Computer Aided Detection in Mammography as a Decision Support. European Radiology 2010;20:2323-2330.