Aiuto diagnostico, quantificazione, caratterizzazione, ricostruzione di immagini: l'intelligenza artificiale medica a portata di mano per la radiologia

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.

Prioritize patient flow

sort

Prioritize patient flow in emergency settings and improve patient care thanks to the triage solution.

Save time

timelapse

Save time thanks to an automated detection of certain brain pathologies.

Integrate in your infrastructure

dashboard_customize

Integrate AI support tools directly into your existing infrastructure and into your regular clinical workflow.

Save time, reassure your diagnosis and streamline your workflow with 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