qXR
Soluzione AI per la diagnosi delle radiografie del torace
qXR è uno strumento che assiste i radiologi e i servizi di emergenza nel rilevamento delle patologie del torace nelle immagini radiografiche. qXR analizza le radiografie, rileva numerose patologie del torace (polmone, pleura e mediastino) e integra il risultato nell’ambiente di lettura abituale del radiologo. Una lista di lavoro con la classificazione degli esami in “normali” e “anormali” consente ai radiologi e ai medici d’urgenza di stabilire le priorità del flusso di pazienti nei Pronto Soccorso.
Rilevamento e localizzazione automatica di patologie toraciche su polmone, pleura e mediastino
Ad esempio, la soluzione qXR rileva opacità come cavità, cardiomegalia, versamenti, pneumotorace… La soluzione consente inoltre di effettuare lo screening per la tubercolosi e il COVID 19.
Classificazione e ordinamento automatico degli esami come normali/anormali all’interno di un elenco di lavoro
L’algoritmo qXR offre a radiologi e medici d’urgenza una panoramica completa dei risultati AI di tutti gli esami del giorno con triage normale/anormale.
Produzione automatica di un referto che incorpora un’immagine annotata e le patologie rilevate e localizzate
qXR genera un referto precompilato che contiene le immagini annotate, le informazioni sulla natura normale/anormale dell’esame e le eventuali anomalie rilevate e la loro localizzazione.
Save time, reassure your diagnosis and streamline your workflow with Incepto
Publications
- 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.
- Forrest JV, Friedman PJ. Radiologic errors in patients with lung cancer. West J Med. 1981; 134:485– 490. PMID: 7257363
- 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
- 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
- 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