Lunit Logo

Product

Explore our Products

흉부 X선 영상 분석 AI

Insight CXR

유방촬영술 영상 분석 AI

Insight MMG

조직 슬라이드 영상 분석 AI

Insight SCOPE
MFDS Mark
Lunit INSIGHT CXR2 logo
For 3 Major Radiologic Findings
  • Lung nodule
  • Consolidation
  • Pneumothorax
Lunit INSIGHT CXR2 capture

Background

흉부 x-선은 임상진단의 출발점으로서 가장 기본적이고 중요한 검사법입니다. 특히 매년 촬영되는 의료영상의 25%를 차지하며,1 흉부 x-선 영상의 판독 소견에 따라 약 60%의 환자들의 진단/치료 방향이 변경되는 것으로 알려져 있습니다.2,3 하지만 가장 빈번하게 촬영되는 영상임에도 불구하고, 흉부 x-선 영상 판독은 난이도가 높습니다. 실제로 흉부 x-선 영상에서 환자를 놓치는 비율은 약 30% 이상으로 보고되며,4,5 이로 인해 질병의 치료 가능 시점을 놓치고 사망률이 높아집니다.6 또한 흉부 x-선은 숙련도에 따라 판독 정확도 차이가 크기 때문에, 영상의학 전문의와 비영상의학 전문의 간 판독 정확도는 최대 30%의 차이를 보입니다.7-9

Product description

Lunit의 독자적인 딥 러닝 기술이 적용된10 Lunit INSIGHT CXR-MCA는 흉부 x-선 영상에서 폐 결절/종괴, 경화, 기흉 등으로 의심되는 이상부위를 검출하여 의사의 판독을 보조하는 소프트웨어입니다. 인공지능 알고리즘이 영상을 분석하여 (1) 병변으로 의심되는 위치를 색상(Heatmap)으로 표시하고, (2) 병변의 존재 가능성을 확률 값(Abnormality Score, %)으로 나타냅니다. 의사는 1차적으로 흉부 x-선 영상을 판독한 후 분석 결과를 참고하여 최종 진단을 내리게 됩니다. (의사의 영상판독 없이 Lunit INSIGHT CXR-MCA 분석 결과만으로 환자의 진단 및 치료방안을 결정할 수 없습니다.)

Primary value proposition

  • 폐암, 결핵, 폐렴, 기흉 등 판독하기 어려운 주요 폐 질환을 놓치는 비율 감소
  • 흉부 x-선 영상을 통한 주요 폐 질환의 조기 진단율 향상
  • 비영상의학 전문의의 주요 폐 질환 판독 정확도를 영상의학 전문의 수준으로 향상

Training & Validation

  • 총 20만 장의 양질의 학습 데이터
  • 주요 폐 질환 검출 정확도: 98-99% ROC AUC11
  • 영상 판독 보조 시, 의사의 판독 정확도 최대 14% 향상12
  • FDA, CE, MFDS 등의 국내/외 의료기기 허가 준비 중

Example cases

example case1example case1

CASE #1. 폐암으로 진단된 결절이 우측 폐 중엽에서 검출 되었습니다. (Abnormality Score: 94%)

example case2example case2

CASE #2. 폐렴으로 진단된 경미한 국소 경화가 우측 폐 하엽에서 검출 되었습니다. (Abnormality Score: 81%)

example case3example case3

CASE #3.좌측 폐첨에서 경미한 기흉이 검출되었습니다. (Abnormality Score: 57%)

example case4example case4

CASE #4. 폐 결핵으로 진단된 국소 경화가 쇄골과 겹친 우측 폐첨에서 검출되었습니다. (Abnormality Score: 72%)

Journals & Conference
Abstracts

  • Nam JG, Park SG, et al. Development and Validation of Deep Learning-Based Automatic Detection Algorithm for Malignant Pulmonary Nodules on Chest Radiographs, Radiology 2018 (in press)
  • Development and Validation of a Deep Learning-Based Automatic Detection Algorithm for Active Pulmonary Tuberculosis on Chest Radiographs, RSNA 2018
  • Multi-Stage Deep Disassembling Networks for Generating Bone-Only and Tissue-Only Images from Chest Radiographs Performance Validation of a Deep Learning-Based Automatic, RSNA 2018
  • Detection Algorithm for Major Thoracic Abnormalities on Chest Radiographs, RSNA 2018
  • Deep Learning-Based Automatic Detection Algorithm for the Detection of Major Thoracic Abnormalities on Chest Radiographs, RSNA 2018
  • Automatic Detection of Malignant Pulmonary Nodules on Chest Radiographs Using a Deep Convolutional Neural Network: Detection Performance and Comparison with Human Experts, RSNA 2017
  • Deep Learning-based Automatic Detection Algorithm for the Detection of Malignant Pulmonary Nodules on Chest Radiographs, RSNA 2017

References

1 Radiation UNSCotEoA. Sources and effects of ionizing radiation: sources: United Nations Publications; 2000.

2 Geijer M, Ivarsson L, Göthlin JH. A retrospective analysis of the clinical impact of 939 chest radiographs using the medical records. Radiol Res Pract 2012;2012.

3 Speets AM, van der Graaf Y, Hoes AW, et al. Chest radiography in general practice: indications, diagnostic yield and consequences for patient management. Br J Gen Pract 2006;56:574-8.

4 Quekel LG, Kessels AG, Goei R, van Engelshoven JM. Miss rate of lung cancer on the chest radiograph in clinical practice. Chest 1999;115:720-4.

5 Forrest JV, Friedman PJ. Radiologic errors in patients with lung cancer. Wes J Med 1981;134:485.

6 Kesselman A, Soroosh G, Mollura DJ, et al. 2015 RAD-AID Conference on International Radiology for Developing Countries: the evolving global radiology landscape. J Am Coll Radiol 2016;13:1139-44.

7 Monnier-Cholley L, Carrat F, Cholley BP, Tubiana J-M, Arrivé L. Detection of lung cancer on radiographs: receiver operating characteristic analyses of radiologists’, pulmonologists’, and anesthesiologists’ performance. Radiology 2004;233:799-805.

8 Eng J, Mysko WK, Weller GE, et al. Interpretation of emergency department radiographs: a comparison of emergency medicine physicians with radiologists, residents with faculty, and film with digital display. Am J Roentgenol 2000;175:1233-8.

9 Potchen EJ, Cooper TG, Sierra AE, et al. Measuring performance in chest radiography. Radiology 2000;217:456-9.

10 Lunit의 딥 러닝 기술력은 다양한 국제 대회에서 입증되었습니다. 대표적으로 국제종양증식평가대회 ‘TUPAC 2016’ 1위, 국제림프절전이검출대회 ‘CAMELYON Challenge 2017’ 1위, CB Insights 선정 ‘2017 세계 100대 인공지능 기업’ 등의 성과가 있습니다.

11 Receiver Operating Curve Area Under the Curve

12서울대학교병원, Observer performance study, 2017