Infervision

• Modalité : CT sans injection / injecté ?

Les 2 sont possibles, CT sans injection et injecté

• Validé en ultra-basse dose ? Limite de CTDI/DLP ? 

Oui, InferRead CT Lung peut traiter des images de scanner en ultra-basse dose avec DLP de moins de 100 mGy*cm

• Filtre de reconstruction recommandé ?

Lung Kernel

• Produit validé chez l’adulte / chez l’enfant entre x et y ans ?

Chez l’adulte

• Marquage CE : Oui / Non, Si oui quelle classe : I, IIA, autre ?

Oui, marquage CE, classe IIa MDD (classe IIb MDR en cours)

• Marquage (Approval) FDA : Oui / Non

Oui, FDA approval

• Les certifications (ISO 13485, 27001) ont-elles été obtenues : Oui / Non

Oui, les 2 certifications ISO 13485 & 27001 ont été obtenues

• L’algorithme est-il fixe ou s’adapte-t-il avec les ajouts de nouvelles données ?

Non, pas d’ajouts de nouvelles données

• Provenance et diversité des données de la base

Base de données d’Europe, des Etats-Unis et de Chine

• Taille de la base d’entrainement (en nombre de scanners)

Entraînement sur plus de 400 000 images de scanner

• Taille de la base de validation

2 015 cas (600 cas de Chine + 495 cas d’Europe + 920 cas des Etats-Unis)

• Taille de la base de test

Plus de 5000 cas

• • Pour la base de test, s’agit-il d’une base « externe » ?

Il s’agit d’une base à la fois interne et externe

• Technique d’annotation

Protocole d’annotation en 4 étapes. Tous les experts en annotation étaient des radiologues thoraciques expérimentés possédant plusieurs années d’expérience dans la pratique de la radiologie.

• Si prédiction du risque de malignité : standard de référence pour l’établissement de la vérité terrain ?

Biopsie

• Rapport / logiciel indépendant / logiciel intégré au PACS
  • Avec quels PACS / RIS / Marketplace, votre outil peut-il être intégré ?

Intégration du logiciel compatible avec tous les PACS / RIS / HIS (Agfa Healthcare, GE Healthcare, Philips, Fujifilm, Sectra, Hologic, etc.)

Disponible via les AI Marketplaces : DeepC, TeraRecon, Blackford, Carpl

• • Si rapport envoyé sur le PACS : 
    • Automatique : OUI/NON

Oui

• • • Après validation du radiologue : OUI/NON

Oui 

• • • Captures d’écran/exemples (optionnel)

Oui, capture secondaire et GSPS

• Déploiement : Local (serveur spécifique) / Cloud

Les 2 déploiements sont possibles, avec un serveur installé sur site et via cloud

• Temps de process (en secondes) ?

Moins de 4 minutes (240 secondes)

• Taux de dossiers non traités ?

Toutes les images thoraciques de scanner au format DICOM, répondant aux exigences de l’IA (épaisseur de coupe <3 mm, de préférence 1 mm ou 1,25 mm), seront traitées

• Notification des dossiers non traités : OUI (décrire la méthode) / NON

Pas de notification. Le cas non traité sera affiché dans la liste d’étude

• Respect des règles RGPD dans le déploiement du logiciel ?

Oui, nous nous conformons aux règles RGPD

• Serveurs d’entraînement agréés HDS : OUI / NON

Non 

• Méthodes d’anonymisation ou de pseudonymisation : détailler

Les données sont pseudonymisées dès que le PACS envoie les cas vers notre serveur

Le logiciel d’IA est équipé d’une fonction d’anonymisation intégrée qui anonymise les données suivantes :

(0x0008, 0x0080), # Nom de l’établissement

(0x0008, 0x0081), # Adresse de l’établissement

(0x0008, 0x0082), # Numéro de séquence de l’établissement

(0x0008, 0x0090), # Nom du médecin référent

(0x0008, 0x0092), # Adresse du médecin référent

(0x0008, 0x0094), # Téléphone du médecin référent

(0x0008, 0x1040), # Nom du département institutionnel

(0x0008, 0x1048), # Médecin(s) inscrit(s) au dossier

(0x0008, 0x1049), # Médecin(s) inscrit(s) ) l’identification du dossier

(0x0008, 0x1050), # Nom du médecin praticien

(0x0008, 0x1060), # Nom du médecin analyste

(0x0008, 0x1070), # Nom de l’opérateur

(0x0010, 0x0010), # Nom du patient

(0x0010, 0x1040), # Adresse du patient

(0x0010, 0x2154), # Numéros de téléphone du patient

(0x0032, 0x1032), # Médecin demandeur

(0x0033, 0x1013), # [Nom du patient]

(0x0010, 0x0050), # Code du plan d’assurance du patient

(0x0038, 0x0400), # Résidence de l’établissement du patient

• Droit d’accès et d’opposition : détailler

InferRead CT Lung dispose de 2 comptes de niveau d’accès : le compte administrateur et le compte utilisateur.

Le compte administrateur est distribué au service informatique et peut être utilisé pour gérer les comptes des utilisateurs.

Le compte utilisateur est destiné à l’utilisateur final.

• Performances validées scientifiquement : OUI/NON (+/- description succincte)

Oui 

L’étude clinique a deux critères d’évaluation. Le critère d’évaluation principal est de démontrer que la zone située sous le ROC basé sur la localisation des radiologues détectant des nodules pulmonaires exploitables est significativement plus élevée lorsqu’ils sont assistés par InferRead CT Lung. Le second critère d’évaluation est de démontrer que le temps de lecture du cas des radiologues n’est pas significativement augmenté lorsque aidé avec InferRead CT Lung.

En conclusion, InferRead CT Lung a atteint les premier et second objectifs de cette étude. Les résultats ont démontré qu’InferRead CT Lung pourrait aider de manière significative les radiologues à améliorer la détection des nodules pulmonaires exploitables. En outre, les résultats ont démontré que le temps d’examen des radiologues n’était pas significativement augmenté lorsqu’ils étaient assistés par InferRead CT Lung, mais qu’il était plutôt réduit. Ainsi, InferRead CT Lung pourrait contribuer à augmenter l’efficacité de la lecture des cas.

FDA validation: InferRead Lung CT.AI Algorithm Development and Validation Studies

• Détail des valeurs de Sensibilité / spécificité / ROC curve …

L’exactitude et la sensibilité de l’observation radiologique des nodules solides étaient de 86,2 % et 52,4 %, inférieures à celle avec lecture assistée par IA (respectivement à 99,1 % et 98,8 %). Ces mesures étaient respectivement de 90,4 % et 25,2 % pour les nodules non solides, inférieures à 98,8 % et 99,1 % avec lecture assistée par IA. En comparaison aux rapports de radiologie actuels, la lecture assistée par IA améliore considérablement la précision et la sensibilité de la détection des nodules en tomodensitométrie thoracique, ce qui profite à la détection des nodules pulmonaires, en particulier celle des nodules non solides.

Evaluating a Fully Automated Pulmonary Nodule Detection Approach and Its Impact on Radiologist Performance

• Données de performance en vie réelle ? (si oui description succincte)

InferRead CT Lung a démontré une grande précision, sensibilité et spécificité dans des études réelles. Un exemple est celui de l’étude intégrée NELCIN-B3 – Détectabilité des nodules pulmonaires lors de la lecture d’images de scanner assistée par intelligence artificielle dans le dépistage du cancer du poumon. 

L’exactitude du diagnostic, la sensibilité et la spécificité de la détection des nodules par observation radiologique et par lecture assistée par IA (InferRead CT Lung) utilisant la lecture du panel comme vérité terrain sont présentées dans le tableau ci-dessous.

• Liste des publications en peer review (pubmed) ou en « gray literature »
  • Evaluating a Fully Automated Pulmonary Nodule Detection Approach and Its Impact on Radiologist Performance
  • Lung Nodule Detectability of Artificial Intelligence-assisted CT Image Reading in Lung Cancer Screening
  • Efficiency of a computer‑aided diagnosis (CAD) system with deep learning in detection of pulmonary nodules on 1‑mm‑thick images of computed tomography
  • IILS: Intelligent imaging layout system for automatic imaging report standardization and intra-interdisciplinary clinical workflow optimization
  • Identification of benign and malignant pulmonary nodules on chest CT using improved 3D U-Net deep learning framework
  • Potential added value of an AI software with prediction of malignancy for the management of incidental lung nodules

• Communications scientifiques dans les congrès

RSNA 2019

Numéro d’affiche : AI224-SD-SUA1

Étude comparative sur l’efficacité de la détection par le Deep-Learning de nodules pulmonaires de différentes tailles entre les modes Single-Source et Dual-Source.

Numéro d’affiche : IN246-SD-W EB2

Étude sur la modification de la capacité de détection d’un logiciel assisté par IA dans la détection des nodules pulmonaires subsolides, par les résidents du service de radiologie.

ECR 2020

Numéro d’affiche : C-09015

Robustesse du système de diagnostic d’intelligence artificielle basé sur le Deep-Learning avec différentes valeurs de seuil de classification pour la détection de nodules pulmonaires solides de différentes tailles

• Mise en place d’une surveillance post-market (algorithmo-vigilance) ?

Oui 

• Triage (outil positionné en amont du travail radiologique) ?

Les cas anormaux peuvent être filtrés sur la liste d’étude pour la priorisation

• Aide à la décision radiologique (outil positionné en aval ou en parallèle) ?

En parallèle

• Aide au diagnostic du professionnel de santé (by-pass momentané du radiologue) ?

C’est une aide au diagnostic mais n’est pas un by-pass au radiologue

• Remplace le professionnel de santé ?

Non cela ne remplace pas le professionnel de santé

• Date de création de la société

En 2016

• Nombre d’employés

Près de 500 employés

• Nombre de clients : en France / à L’étranger

1 client pour ce logiciel en France ; au total plus de 1000 clients dans le monde (tous produits confondus)

• Modèle de facturation : Pay per view / Abonnement / Autre 
  • Détail

Licence annuelle (pour un nombre de cas illimité)

• Des formations à l’usage de l’outil sont-elles proposées ?

Oui, à l’installation du logiciel

• Détails des maintenances et service après-vente

Installation et configuration du logiciel et serveur/système cloud, formation et assistance technique

• Le modèle économique inclue-t-il la mise à disposition de nouvelles versions ?

Oui