Lunit é desenvolvedora de algoritmos de Inteligência Artificial para a área da saúde, usados para auxiliar a equipe clínica na análise e categorização dos achados em radiografias do tórax e mamografia.
O Lunit INSIGHT MMG é um software para detecção e diagnóstico assistido por computador (CADe/x) que auxilia a equipe médica na interpretação de mamografias. O dispositivo foi desenvolvido para analisar automaticamente mamografias digitais através de tecnologia de deep learning.
O dispositivo identifica e classifica áreas suspeitas de câncer de mama em mamografias para serem vistas pelos médicos. As imagens no formato DICOM padrão são carregadas para o dispositivo e processadas pelo mecanismo de análise dentro do dispositivo.
Como resultado da análise, o dispositivo permite visualizar e estimar quantitativamente a probabilidade da presença de uma lesão maligna. As áreas suspeitas são marcadas pelo mapa de cores ou pelo mapa de tons de cinza com pontuação de anormalidade (%), o que reflete a probabilidade da presença de malignidade, apresentado para cada mama.
O dispositivo analisa mamografias recebidas pelo cliente do navegador web, usando o mecanismo de análise. Após a análise ser concluída, o usuário pode rever a imagem do resultado no formato de captura secundária DICOM que é mostrado no navegador.
A combinação de radiologistas que fazem a primeira leitura com a IA da Lunit detecta um número maior de cânceres de mama, não só maior do que os radiologistas de primeira e segunda leituras detectam, mas também maior do que a leitura dupla realizada por radiologistas.
De acordo com os escores de anormalidade gerados pela IA, os radiologistas podem triar com sucesso até 60% de todos os casos sem interpretação humana, o que pode reduzir sua carga de trabalho em mais da metade.
Os radiologistas gerais podem usar os resultados da análise de IA para melhorar seu desempenho de leitura, em um nível comparável ao dos especialistas em mama.
Os radiologistas podem detectar câncer de mama T1 nódulo negativo com 91% e 87% de precisão, respectivamente.
Para os casos diffceis, classificados como BI-RADS 3 ou 4, os radiologistas podem comparar seus resultados de leitura e optar com confiança por exames adicionais, como ultrassom e biópsia.
Os radiologistas podem melhorar a precisão do diagnóstico para mamas densas e gordurosas em até 9% e 22%, respectivamente.
Taxa de sobrevida de 96%, quando detectada precocemente (entre os estágios 1 e 2) pela IA.
