Informe técnico médico

Acerca de nosotrosLunit, abreviado de “learning unit” que significa “unidad de aprendizaje”, es una

compañía de software médico de IA dedicada a desarrollar análisis avanzado de

imagen médica y biomarcadores novedosos de diagnóstico por imágenes mediante

tecnología de aprendizaje profundo de última generación.

Fundada en 2013, Lunit ha sido reconocida a nivel internacional por su tecnología

avanzada y de punta y su aplicación en imágenes médicas.

Lunit tiene su sede en Seúl, Corea del Sur.

Nuestra misiónPerfeccionar la inteligencia, transformar la medicina.

Aplicando nuestra tecnología de IA sin precedentes, buscamos proveer soluciones de IA que

inauguren una nueva era para el diagnóstico y la terapéutica. Nos centramos especialmente en

conquistar el cáncer, una de las principales causas de muerte en todo el mundo.

Perfeccionar la inteligencia, transformar la medicina.

2 I Lunit INSIGHT MMG

Lunit INSIGHT MMGEl cáncer de mama es una de las enfermedades más comunes, abarca el 25 % de todos los tipos de cáncer

y es la principal causa de muerte, alcanzando el 15 %, de las mujeres de todo el mundo .1 La mamografía de

detección es la única modalidad individual que ha demostrado mejorar la supervivencia del cáncer de mama,

con una tasa de reducción de mortalidad de alrededor del 20 %.2

Sin embargo, la precisión de la mamografía de detección es baja, con tasas de falsos negativos del 10 % al

30 %3 y tasas de falsos positivos alrededor del 95 %.

4 La proporción de especialistas en mamas que analizan

las mamografías de detección también es baja.

Lunit INSIGHT MMG ofrece una solución a este problema mediante la detección de lesiones de cáncer de mama

con una precisión del 97 % en cuestión de segundos. Ha sido entrenado con 200.000 casos de mamografía, de

los cuales aproximadamente 50.000 casos fueron de pacientes con cáncer de mama. Los resultados de nuestro

reciente estudio de lectores muestran que, con Lunit INSIGHT MMG, los radiólogos notaron un aumento en la

detección del cáncer de mama (24 %) y una disminución de rellamadas por falsos positivos (12 %).

—

Puede acceder a https://insight.lunit.io para cargar libremente imágenes y obtener en poco

tiempo los resultados de los análisis en tiempo real realizados por Lunit INSIGHT.

Condición normativa (a partir

de Junio de 2020)

· Marcado CE: Certificado. Mayo de 2020

· MFDS de Corea: Aprobado, julio de 2019

· FDA: Previsto en el 2020

1 Torre LA, Bray F, Siegel RL, Ferlay J, Lortet-Tieulent J, Jemal A. Estadísticas globales de cáncer, 2012. CA Cancer J Clin 2015;65:87-108.

2 Myers ER, Moorman P, Gierisch JM, et al. Beneficios y perjuicios del examen de detección del cáncer de mama: una revisión sistemática. JAMA 2015;314:1615-34.

3 Majid AS, de Paredes ES, Doherty RD, Sharma NR, Salvador X. Carcinoma de mama pasado por alto: trampas y perlas. Radiografías 2003; 23: 881-95.

4 http://breastscreening.cancer.gov.

Validación interna(Corea, Estados Unidos, Reino Unido)

Lunit INSIGHT MMG se validó a nivel nacional en varios países con diferentes etnias.

El conjunto de datos de validación consiste en aproximadamente 3.200 pacientes de exámenes de

mamografía de 3 países, de los cuales 1.858 pacientes son de Corea (CR), 750 de los Estados Unidos

(EE. UU.), y 654 del Reino Unido (RU).

Resumen de desempeño: ROC AUC, Sensibilidad, Especificidad

Análisis de densidad por subgrupos: ROC AUC

* Los falsos positivos por imagen (FPPI, en inglés) representan el número de hallazgos de FP por imagen; extremadamente bajo, especialmente

en las mamas no cancerosas.

VALIDACIÓN INTERNA I 3

Análisis de falsos positivos: FPPI*

Promedio de desempeño

IC del 95 % (Bajo, Alto)

KR

US

UK

Completamente grasa

Cáncer de mama

ROC AUC

Tejido fibroglandular disperso

Especificidad

Extremadamente densa

Seno normal

Sensibilidad

Heterogéneamente densa

Seno benigno

0,970(0,963, 0,978)

0,953(0,938, 0,968)

0,938(0,918, 0,958)

0,965

0,117

0,975

0,350

0,917(0,881, 0,954)

0,954

0,031

0,768(0,729, 0,808)

0,925

0,936(0,906, 0,966)

0,802(0,767, 0,837)

0,903(0,880, 0,926)

0,917(0,901, 0.932)

Resultados del estudio del lector(Ministerio de Seguridad de los Alimentos y los Medicamentos de Corea)

Desempeño del diagnóstico: ROC AUC (N=320)

Tasa de rellamada: Cáncer (N=160), Libre de cáncer (N=160)

Severance Hospital de la Universidad de Yonsei y el Hospital Universitario Soon Chun Hyang, febrero de 2019

4 I RESULTADOS DEL ESTUDIO DEL LECTOR

P - value< 0.00 1

Lunit INSIGHT

P - value< 0.00 1

0.70.6 0.8 0.9 ROC AUC

0.940

0.847

0.893

0.773

0.869

Human Only

Human + Lunit INSIGHT

Breast Specialists(N=7)

General Radiologists(N=7)

Non-cancer Recall Rate

0.20 0.4 0.6 0.8

P - value< 0.00 1

P - value< 0.05

0.277

0.263

0.284

0.245

0.181

P - value< 0.00 1

Lunit INSIGHT

P - value< 0.00 1

Cancer Recall Rate

0.20 0.4 0.6 0.8

0.888

0.800

0.863

0.705

0.832

Human Only

Human + Lunit INSIGHT

Breast Specialists(N=7)

General Radiologists(N=7)

0,940

Solo humano

Solo humano

Humano + Lunit INSIGHT

Humano + Lunit INSIGHT

0,847

0,800

0,773

0,705

0,893

0,863 0,263

0,869

0,832 0,245

Especialistas en senos

(N=7)

Especialistas en senos

(N=7)

Radiólogos generales

(N=7)

Radiólogos generales

(N=7)

Tasa de rellamada por cáncer Tasa de rellamada libre de cáncer

0,6

0,2 0,2

0,7

0,4 0,4

0,8

0,6 0,6

0,9

0,8 0,8

Valor P< 0,001

Valor P< 0,001

Valor P< 0,05

Valor P< 0,001

Valor P< 0,001

Valor P< 0,001

0,1810,888

0,277

0,284

Resultados del estudio del lector(Desempeño de diagnóstico y tiempo de lectura)

Análisis de subgrupos: Densidad de las mamas

Hospital Universitario Soon Chun Hyang, octubre de 2019

A: Completamente grasa / B: Tejido fibroglandular disperso / C: Heterogéneamente densa / D: Extremadamente densa

Resumen de desempeño: ROC AUC, Tasa de rellamada, tiempo de lectura

RESULTADOS DEL ESTUDIO DEL LECTOR I 5

0,905

0,850

0,861

0,751

0,948

0,915

Grasa (A,B)

Tasa de rellamada

por cáncer

(N=160)

ROC AUC

(N=320)

Tasa de rellamada

libre de cáncer

(N=160)

0,866

0,816

0,306

0,782

0,660

0,932

0,870

Densa (C,D)

0,1680,205

71,00 seg

71,97 seg

0,067Grasa (A,B)

0,841

60.89 seg

60.88 seg

0,792

0,348

Tasa de rellamada

ROC AUC (N=200)

Cáncer (N=100)

Cáncer (N=100)

Libre de cáncer(N=100)

Libre de cáncer(N=100)

Tiempo de lectura

0,864

0,210

-

-

Grasa (A,B)

0,3050,326 0,250Densa (C,D)

0,8500,738 0,897Densa (C,D)



Solo

radiólogo (N=14)

Solo

radiólogo (N=5)

Solo

Lunit INSIGHT

Solo

Lunit INSIGHT

Radiólogo

+ Lunit INSIGHT (N=14)

Radiólogo

+ Lunit INSIGHT (N=5)

Detección de cáncer en etapa temprana

Los siguientes ejemplos muestran la evaluación del desempeño de Lunit INSIGHT MMG en cuanto a la

detección de cáncer en etapa temprana. Ambos ejemplos consisten en un caso de cáncer comprobado

por biopsia y sus estudios previos. En cada ejemplo, se muestran imágenes originales en la primera fila con

los datos reales de las lesiones cancerosas, y las mismas imágenes analizadas por Lunit INSIGHT MMG se

muestran en la segunda fila con la detección de lesiones cancerosas presentadas en mapas térmicos.

Ejemplo 1

Ejemplo 2

6 I DETECCIÓN DE CÁNCER EN ETAPA TEMPRANA

IGNORADO

10/2008

07/2011

10/2009

09/2012

10/2010

11/2013

71,2 %Puntuación de anormalidad






IGNORADO

IGNORADOCÁNCER DE MAMA DIAGNOSTICADO

CÁNCER DE MAMA DIAGNOSTICADOIGNORADO

Se podría haber diagnosticado

al menos 2 años antes con Lunit

INSIGHT

Se podría haber diagnosticado

al menos 2 años antes con Lunit

INSIGHT

CASO 1

Casos de muestra

Los siguientes casos de muestra manifiestan cómo los radiólogos pudieron detectar más cáncer de

mama después de usar Lunit INSIGHT MMG. Entre paréntesis, a la izquierda se encuentra el número de

radiólogos que detectaron el cáncer de mama sin asistencia de IA, mientras que a la derecha se encuentra

el número de radiólogos que detectaron correctamente el cáncer de mama con Lunit INSIGHT MMG.

( Número total de radiólogos = 14 )

CASOS DE MUESTRA I 7

Una pequeña masa oscurecida ( sin Lunit 4 con Lunit 13 )

CASO 2 Una pequeña masa oscurecida ( sin Lunit 7 con Lunit 14 )

8 I CASOS DE MUESTRA

CASO 3 Una pequeña masa oscurecida con microcalcificaciones agrupadas

( sin Lunit 2 con Lunit 11 )

CASO 4 Una pequeña masa oscurecida con microcalcificaciones agrupadas

( sin Lunit 5 con Lunit 12 )

CASOS DE MUESTRA I 9

CASO 5 Una pequeña masa espiculada ( sin Lunit 7 con Lunit 14 )

CASO 6 Asimetría focal ( sin Lunit 5 con Lunit 13 )

Asimetría focal ( sin Lunit 5 con Lunit 13 )

Asimetría focal ( sin Lunit 7 con Lunit 14 )

10 I CASOS DE MUESTRA

CASO 7

CASO 8

OTRAS INVESTIGACIONES EN RADIOLOGÍA MAMARIA I 11

Otras investigaciones en radiología mamaría

Se ha demostrado mediante varios estudios a

gran escala que la tomosíntesis digital de mama

(Digital Breast Tomosynthesis, DBT) es superior

a la mamografía en términos de desempeño

en la detección del cáncer de seno. Estamos

usando nuestra experiencia en la investigación

de mamografías para desarrollar un algoritmo de

diagnóstico de alta precisión para la detección del

cáncer de mama en DBT.

Hasta el 56 % de los casos de carcinoma ductal

in situ (DCIS) comprobados por biopsia han sido

transformados en carcinoma ductal microinvasivo o

invasivo (CDI) al final de la patología quirúrgica, lo

que probablemente lleve a procedimientos invasivos

adicionales. Estamos investigando si es posible la

evaluación prequirúrgica para distinguir el DCIS y el

CDI en la mamografía.

Tomosíntesis digital de mama

CDI y CDIS en la mamografía

12 I RESÚMENES DE RSNA

Aumento de la tasa de detección de cáncer y reducción de rellamada

por falso positivo en mamografías de detección con inteligencia artificial

- un estudio de lector multicéntrico

Evaluar la factibilidad de un software de apoyo para diagnósticos

basado en inteligencia artificial (IA) para mejorar el desempeño

del diagnóstico de los radiólogos en cuanto a la detección del

cáncer y la rellamada por falsos positivos en la detección del

cáncer de mama.

Este estudio de lectores mostró una mejora estadísticamente

significativa del desempeño de diagnóstico (0,071 de aumento

en el ROC AUC). La tasa de detección de cáncer se incrementó

en 12,6 % y la tasa de retiro de falsos positivos se redujo en 9,6 %

con la ayuda de un software de apoyo para diagnósticos basado

en IA.

Con el aumento de la tasa de detección de cáncer y la

disminución de la tasa de rellamada por falsos positivos, el

software de apoyo para diagnósticos basado en IA se puede usar

prácticamente en la detección del cáncer de mama de rutina.

Se recopilaron retrospectivamente un total de 400 exámenes

de mamografías de detección de dos instituciones. Para cada

institución, se recolectaron 100 exámenes de cáncer, 40

benignos y 60 normales. Todos los exámenes de cáncer se

comprobaron por biopsia. La mitad de los exámenes benignos

se comprobaron por biopsia (es decir, rellamada por benigno)

mientras que el resto se comprobaron con al menos 2 años de

seguimiento radiológico. El 80 % de los exámenes se seleccionó

al azar respectivamente de cada categoría y de cada institución

(por ejemplo, 16 rellamadas por benignos para cada institución).

Todos los exámenes se emparejaron a 4 vistas. Se realizó un

estudio ciego de caso múltiple y múltiples lectores con un

grupo de 14 radiólogos para los 320 exámenes seleccionados.

Cada radiólogo lee cada caso sin y luego con la ayuda de Lunit

INSIGHT for Mammography (Lunit Inc., Corea del Sur), un software

basado en aprendizaje profundo que muestra los resultados

de malignidad por mama, así como la región de interés (ROI,

en inglés) para las lesiones malignas sospechosas (Fig. 1). Se

analizó la diferencia de la decisión de los lectores sin y con IA en

términos de probabilidad de malignidad (LOM; puntuación DMIST

de 7 puntos) y de rellamada (rellamados o no).

Se mostró una mejora significativa del desempeño de

diagnóstico para los 14 radiólogos; el promedio de ROC

AUC basado en LOM fue de 0,810 y 0,881 sin y con IA,

respectivamente (valor p=0,0000047, IC=95 %). En base a la

decisión binaria de los lectores de si cada examen ameritaba

rellamar o no, la tasa promedio de detección de cáncer se

incrementó de 75,3 % a 84,8 %; mientras que las rellamadas

por falsos positivos (es decir, rellamadas libres de cáncer)

se redujeron de 28,0 % a 25,4 %, de lo cual el 20 % de

los exámenes libres de cáncer se rellamaron como casos

benignos.

PROPÓSITO

CONCLUSIÓN

RELEVANCIA CLÍNICA / APLICACIÓN

MÉTODO Y MATERIALES

RESULTADOS

Software de apoyo para diagnósticos basado en

IA que muestra las puntuaciones de malignidad

por mama (en el panel del lado derecho) y el ROI

de las lesiones malignas sospechosas (mapas

térmicos).

RESÚMENES DE RSNA I 13

Biomarcador de diagnóstico por imágenes basado en datos

para la detección de cáncer de mama en la mamografía -

detección temprana del cáncer de mama

Evaluar la factibilidad de un biomarcador de diagnóstico por

imágenes basado en datos en la mamografía (DIB-MMG; un

biomarcador de diagnóstico por imágenes derivado de

datos de mamografías a gran escala basado en tecnología

de aprendizaje profundo) para comprobar si se puede

utilizar para la detección temprana del cáncer de mama.

Este estudio retrospectivo mostró la viabilidad del DIB-MMG para

la detección temprana del cáncer de mama en la mamografía,

donde 32 de los 47 cánceres ignorados, 30 de los 61 cánceres

de intervalo, y 7 de los 17 cánceres ocultos fueron detectados

por el DIB-MMG. El total de AUC fue de 0,738. Se necesita una

validación clínica adicional mediante un estudio de desempeño

de los observadores.

Con validación clínica adicional, el DIB-MMG se puede usar como

una herramienta efectiva de apoyo para diagnósticos en la detección

temprana del cáncer de mama en mamografías de detección.

Se recolectaron retrospectivamente un total de 105.592

exámenes de mamografías digitales de 4 vistas de múltiples

instituciones para desarrollar la DIB-MMG, de los que 22.456

eran cáncer (confirmados por biopsia), 36.821 eran benignos

(confirmados por biopsia o al menos 1 año de seguimiento

radiológico), y 46.315 eran exámenes normales. A partir de la

validación externa en una institución separada con 3.696 exámenes

de mamografías (1.073 fueron de cáncer; uno por paciente), el

DIB-MMG mostró 0,963; 94,1 %; 80,2 % de AUC, sensibilidad y

especificidad, respectivamente. Entre los 1.073 pacientes de cáncer,

85 se sometieron a 116 exámenes de mamografías anteriores que

se diagnosticaron como libres de cáncer en ese momento. Un

radiólogo de mamas revisó retrospectivamente los 116 exámenes

y los reclasificó en tres categorías - 1) Ignorado (46 exámenes; 47

mamas cancerosas / 45 no cancerosas): retrospectivamente vistos

en la mamografía previa (mmg-p) y también vistos en la mamografía

en el momento del diagnóstico (mmg-d), 2) Intervalo (55; 61/49):

no vistos retrospectivamente en mmg-p pero vistos en mmg-d, y

3) Ocultos (15; 17/13): no vistos tanto en mmg-p como en mmg-d.

Se analizó el DIB-MMG con respecto a los cánceres Ignorados,

Intervalo y Oculto, respectivamente.

Se utilizó el AUC, la sensibilidad y la especificidad por mamas,

ya que todos los datos son positivos a nivel de examen. El

AUC por mama fue de 0,841; 0,676 y 0,620 para las categorías

Ignorado, Intervalo y Oculto, respectivamente. La sensibilidad (c/

especificidad) en los diferentes puntos de operación 0,05; 0,10

fue 68;1 % (88,9 %); 55,3 % (91,1 %) para Ignorado, 49,2 % (83,7 %);

37,7 % (91,8 %) para Intervalo, y 41,2 % (69,2 %); 17,7 % (84,6 %)

para Oculto, respectivamente. El punto de funcionamiento

original del DIB-MMG para la detección de rutina era de 0,10. La

Fig. 1 muestra ejemplos de los cánceres Ignorados e Intervalo.

PROPÓSITO

CONCLUSIÓN



RESULTADOS

Se diagnosticó a cada paciente (izquierda y derecha)

como cáncer (columna derecha), cuando la lesión

cancerosa se vio en el momento del diagnóstico. Un

radiólogo de mama que ya conoce la ubicación de

las lesiones cancerosas confirmadas por la biopsia

revisó retrospectivamente sus mamografías anteriores

(primera y segunda columna).

1) Cáncer ignorado (izquierda): previamente negativo

pero retrospectivamente positivo,

2) Cáncer a intervalos (derecha): previamente

negativo y retrospectivamente negativo.

14 I RESÚMENES DE RSNA

Biomarcador por imágenes basado en datos para la detección de

cáncer de mama en mamografía - predicción de invasión tumoral en

la mamografía

Evaluar la factibilidad de un biomarcador de diagnóstico

por imágenes basado datos en mamografías (DIB-MMG; un

biomarcador de diagnóstico por imágenes derivado de datos de

mamografía a gran escala basado en tecnología de aprendizaje

profundo) para comprobar si la predicción de la invasión tumoral

es aplicable en la mamografía - discriminación de carcinoma

ductal in situ (DCIS), DCIS con microinvasión (DCIS-MI), y

carcinoma ductal invasivo (CDI).

Este estudio mostró que la discriminación de DCIS-MI de DCIS

es más difícil que la de CDI en la mamografía. Los resultados

experimentales mostraron que el DIB-MMG-IT es factible

para discriminar al CDI del resto. Se necesita una validación

clínica adicional mediante un estudio de desempeño de los

observadores.

Con una validación clínica adicional, el DIB-MMG-IT se puede

usar como una herramienta de apoyo para el diagnóstico

prequirúrgico en la predicción de la invasión tumoral en

mamografías.

Se recolectaron retrospectivamente un total de 151.764

exámenes de mamografías de 4 vistas de múltiples instituciones

para desarrollar DIBMMG, de los que 31.776 eran cáncer

(confirmados por biopsia), 49.644 eran benignos (confirmados

por biopsia o al menos 1 año de seguimiento radiológico), y

70.344 eran exámenes normales (confirmados por al menos 1

año de seguimiento radiológico). Se recolectó la evaluación

quirúrgica de la invasión tumoral (459 CDIS, 373 DCIS-MI y

6.365 CDI) para 7.197 de 31.776 exámenes de cáncer. Se utilizó

un conjunto separado de 777 exámenes de cáncer (46 DCIS, 49

DCIS-MI, 682 CDI) para la evaluación. Anteriormente, se evaluó

la viabilidad del DIB-MMG como una herramienta de apoyo

para diagnósticos en la detección de cáncer de mama en la

mamografía. En este estudio, también se investigó si el DIB-MMG

es aplicable para predecir la invasión tumoral en la mamografía.

El DIB-MMG-IT (es decir, la capacidad de invasión del tumor)

se desarrolló a través de dos etapas de entrenamiento - 1)

entrenamiento con etiquetas de diagnóstico (normal, benigno,

cáncer), seguido de 2) ajuste fino con etiquetas de capacidad de

invasión (DCIS, DCIS-MI, CDI) en el subconjunto de exámenes

de cáncer. Se explotó la ubicación de las lesiones cancerosas

(6.229 entre 7.197 exámenes) con fines de atención (es decir, el

mecanismo de atención en la IA) para predecir la capacidad de

invasión de manera más eficaz.

El AUC se resumió en dos tareas: 1) la discriminación de CDI

de DCIS y DCIS-MI, y 2) la discriminación de DCIS de DCIS-MI

y CDI. Para cada tarea, el AUC por examen del DIB-MMG-IT en

777 exámenes del conjunto de datos de validación fue de 0,781

y 0,690 respectivamente, mientras que el AUC por mama para

cada tarea fue de 0,775 y 0,690. La Fig. 1 muestra ejemplos.

PROPÓSITO

CONCLUSIÓN



RESULTADOS

Ejemplos de CDI (arriba) y DCIS (abajo)

respectivamente, donde el contorno rojo es

la ubicación de las lesiones cancerosas. Para

cada caso, el mapa de atención para el subtipo

respectivo se muestra como un mapa térmico.

RESÚMENES DE RSNA I 15

Biomarcador por imágenes basado en datos para la detección de

cáncer de mama en la tomosíntesis digital de mama - aprendizaje

multidominio con mamografía

Evaluar la factibilidad de que los datos de mamografía sean

útiles para desarrollar un biomarcador de diagnóstico por

imágenes basado en datos en la tomosíntesis digital de mama

(DIB-DBT; un biomarcador de diagnóstico por imágenes para la

detección del cáncer de mama, que se deriva de los datos de

DBT basados en la tecnología de aprendizaje profundo).

Este estudio demostró que el aprendizaje multidominio con

MMG a gran escala es una forma efectiva de desarrollar DIB-

DBT, especialmente con DBT a pequeña escala. Se necesita

validación clínica adicional para utilizar el DIB-DBT como una

herramienta de apoyo para un diagnóstico confiable en la

detección del cáncer de mama.

Con una validación clínica adicional, el DIB-DBT se podría

usar prácticamente como una herramienta de apoyo para

diagnóstico efectiva en la detección de cáncer de mama en la

tomosíntesis digital de mama.

Se recolectó retrospectivamente un total de 1.517 exámenes

de tomosíntesis digital de mama de 4 vistas (DBT) y 49.577

exámenes de mamografías digitales de 4 vistas (MMG) de una

institución. Se dividieron 1.517 exámenes de DBT en 1.187 (970

de cáncer, 52 benignos, 165 normales) y 330 (244 de cáncer,

34 benignos, 52 normales) exámenes de entrenamiento y

validación, y 49.577 exámenes de MMG en 47.719 (5.599 de

cáncer, 17.971 benignos, 24.149 normales) y 1.858 (619 de cáncer,

620 benignos, 619 normales) exámenes de entrenamiento

y validación, respectivamente. Para la validación externa,

también se recopilaron 448 exámenes (148 de cáncer, 150

benignos y 150 normales) de DBT de 4 vistas de otra institución.

Anteriormente, se demostró que el uso simultáneo de DBT

y MMG es efectivo para el desarrollo del DIB-DBT, que se

entrenó con MMG (a gran escala) en primer lugar, y luego se

ajustó con DBT (a pequeña escala). Además, nos propusimos

mejorar la utilización de MMG mediante el aprendizaje

multidominio para aumentar el rendimiento del DIB-DBT.Se

adoptó un entrenamiento en dos etapas - 1) pre entrenamiento

con MMG, seguido de 2) ajuste fino multidominio con DBT y

MMG. Se compararon un total de cuatro enfoques diferentes

para encontrar la mejor manera de explotar la MMG y así

desarrollar el DIB-DBT - (a) entrenamiento solo con DBT, (b-

d) entrenamiento con MMG y luego ajuste fino con (b) DBT

(trabajo previo), (c) DBT y MMG, (d) DBT y MMG por aprendizaje

multidominio.

El AUC por examen de la DIB-DBT en el conjunto de datos

de validación interna fue de 0,890; 0,899; 0,901; 0,910 para

cada método (a-d) respectivamente, mientras que el AUC por

examen en el conjunto de datos de validación externa fue de

0,871; 0,880; 0,899; 0,901 para (a-d) respectivamente. La Fig. 1

muestra un ejemplo de DIB-DBT (es decir, (d)).

PROPÓSITO

CONCLUSIÓN



RESULTADOS

Para la interpretación visual de los resultados,

mostramos mapas térmicos en un conjunto

de imágenes sintéticas en 2D (solo para su

visualización). (Izquierda) Mapas térmicos del DIB-

DBT, (derecha) Datos reales - lesión cancerosa

confirmada por biopsia.

Profundice su MIRADA con

mamografías potenciadas con IA

Con la ayuda de nuestra IA, puede tomar la mejor decisión en

menos tiempo. Juntos, podemos ahorrar más tiempo, ahorrar

costos y salvar vidas.

Asociarse con nosotros

Recibimos con agrado las asociaciones de investigación y otras colaboraciones con instituciones médicas,

proveedores de atención médica y empresas interesadas en implementar nuestro producto de software.

Actualmente, tenemos más de 20 socios de investigación en todo el mundo a lo largo de los EE.UU., el Reino

Unido, China y Corea.

¡Esperamos que se comunique con nosotros!

Contacto

No dude en enviarnos un correo electrónico sobre cualquier consulta o pregunta.

[email protected]

www.lunit.io

ASOCIARSE CON NOSOTROS I 17

Socios corporativos

PERFECCIONAR LA INTELIGENCIA,

TRANSFORMAR LA MEDICINA.

Informe técnico médico

Documents

Transcript of Informe técnico médico