Découvrez notre Technologie IA de pathologie computationnelle

Nous avons construit la technologie la plus avancée pour aider

les cliniciens à mettre fin au cancer en tant que maladie mortelle.

Tribun Health repousse les limites de la technologie pour fournir des solutions qui ont le potentiel de transformer radicalement
la façon dont le cancer est diagnostiqué et de décider du parcours thérapeutique du patient. Notre stack technologique est un des plus avancés,
Vision par ordinateur alimenté par un réseau de neurones convolutifs.

Nous utilisons ces technologies d'une manière très différente pour contourner les facteurs apparemment bloquants: l'hétérogénéité des images numériques, l'insuffisance des données en quantité et les limites imposées par les cadres réglementaires en terme de transfert de données.

variation

CORRECTION AUTOMATIQUE DE LA VARIABILITÉ DE LA QUALITE DES IMAGES

La variabilité de la coloration, du scan et du traitement des tissus est inhérente à la préparation et à la numérisation des lames. Nous avons construit des outils d'IA avancés qui reconnaissent et compensent cette variabilité et assurent des analyses cohérentes et précises.

data

MAXIMISATION DE L'EFFICACITÉ DES DONNÉES DE L'IA

Lorsque les données sont rares ou difficiles à acquérir, nos outils d'IA modélisent efficacement les données en fonction des données existantes, permettant à nos modèles de fournir des analyses précises malgré une quantité limitée de données disponibles.

federated

APPRENTISSAGE FÉDÉRÉ POUR UNE CONFIDENTIALITÉ ET UNE CONFORMITÉ TOTALE

La confidentialité et la réglementation limitent souvent la capacité de transférer et de centraliser les données. Nous tirons parti de l'apprentissage fédéré pour exécuter nos algorithmes là où se trouvent les données, par opposition à un référentiel central, éliminant ainsi les obstacles à la formation de nos algorithmes et fournissant des analyses précises

Tout commence par des données :

Lames numérisées, annotations détaillées et informations medicales.

Images de lames entières, où chaque pixel est critique.

Tout commence par des images de lames numérisées en haute résolution grâce à des scanners sophistiqués et spécialisés. Notre plateforme est compatible avec tous les principaux formats dont Philips (.isyntax), Aperio (.svs), Hamamatsu (.ndpi), Leica (.scn), Sakura (.svslide), MIRAX (.mrxs), Ventana (.bif) et bien d'autres.

Annotations détaillées par les experts pathologistes.

Les pathologistes analysent les images pour reconnaître et classer les composants tissulaires, tels que les tissus normaux et anormaux, y compris les tumeurs, l'inflammation, la nécrose, la fibrose, etc. Avec les tumeurs, ils annotent les régions d'intérêt, y compris la tumeur elle-même, la limite invasive et le front invasif. Des annotations cohérentes et précises par les pathologistes aident à entrainer nos algorithmes à reconnaître ces régions automatiquement et à guider les analyses futures.

Antécédents médicaux et données cliniques.

Les antécédents médicaux du patient et les données cliniques provenant d'autres sources que les biopsies constituent un ensemble de données puissant pour enrichir les connaissances et permettre un diagnostic plus complet et multimodal.

Ensuite, nous tirons parti de la puissance de l'automatisation via IA afin d'extraire et fournir des informations cliniques pertinentes.

Vision par ordinateur : comment utiliser l'apprentissage en profondeur.

Nous utilisons la Visions par Ordinateur pour programmer des algorithmes afin d'interpréter les informations visuelles contenues dans les données d'images (images de pathologie à partir de lames numérisées) afin de mieux comprendre les données numériques.

Ces algorithmes traduisent les données en informations significatives, en utilisant les informations contextuelles fournies par les pathologistes afin de prendre de meilleures décisions diagnostiques.

Les modèles d'apprentissage profond (DL) sont basés sur des réseaux de neurones capables d'apprendre à partir de données brutes et de fournir de nouvelles informations. Lorsque nous traitons des images de lames, nous utilisons un type particulier de DL appelé réseau neuronal convolutif (CNN) capable d'extraire automatiquement les caractéristiques pertinentes de l'image pour prendre des décisions précises.

Analyse Big Data :
Utiliser l'apprentissage automatique.

L'analyse des mégadonnées aide à donner un sens aux données en découvrant des tendances et des modèles. L'apprentissage automatique est utilisé pour accélérer ce processus à l'aide d'algorithmes de prise de décision. Il peut catégoriser les données entrantes, reconnaître des modèles et traduire les données en informations utiles au service d'une décision diagnostique, pronostique et d'orientation du traitement.

Et enfin, nous livrons les informations cliniques

pour aider les médecins à établir un diagnostic et à sélectionner un traitement.

Informations cliniques pour
le diagnostic, le pronostic et
la sélection du traitement.

La pathologie computationnelle vise à améliorer la précision du diagnostic et à optimiser les soins aux patients. Elle contribue à faire progresser la médecine de précision individualisée en fournissant des informations cliniques fiables et exploitables aux médecins. Notre approche technologique offre le plus haut niveau de précision et de confiance dans ces informations.

Nous développons actuellement des algorithmes pour l'immunohistochimie du sein (IHC), le nombre de mitoses, le triage des biopsies gastro-intestinales (GI) et la prédiction des résultats du cancer du poumon non à petites cellules (NSCLC), avec d'autres applications dans notre pipeline.