Lunit
제품 문의하기

LunitINSIGHT CXR

흉부 X-ray 영상 분석 솔루션

온라인 데모 체험하기

  • 97-99%

    흉부 X-ray 영상에서 가장 흔하게 발견되는
    9가지 비정상 소견을 97~99%
    정확도로 검출합니다.
    *결핵 케이스 선별에 활용 가능

  • 3,500,000

    임상적으로 또는 CT 검사로
    확진된 케이스가 포함된
    양질의 빅데이터를 학습했습니다.

  • 유럽을 포함하여
    호주, 브라질, 태국 등의 국가에서
    판매 허가를 취득했습니다.

  • 한국 식품의약안전처로부터
    판매 허가를 취득했습니다.

  • Background
  • Product Description
  • Major Benefits
  • Example Cases
BackgroundProduct DescriptionMajor BenefitsExample Cases
온라인 데모 체험하기

Background

가장 기본적인 검사로도
찾기 어려운 병변을 발견할 수 있다면?

  • 가장 기본적이고
    보편적인 검사의 성능을 고도화 합니다.

  • 영상의학과의
    업무 부담을 줄입니다.

  • 폐암 조기 진단의
    가능성을 높입니다.

    폐암 의심

    Lunit AI 점수
    16.7%

    정상 판정

    폐암 의심

    Lunit AI 점수
    43.1%

    정상 판정

    폐암 의심

    Lunit AI 점수
    90.7%

    폐암 판정

  • AI로 조기 진단 시
    생존율이 향상됩니다.

    *5년 생존율
    *참고 자료 : AJCC 8th Edition

Product Description

Lunit INSIGHT CXR은
주요 비정상 소견을 검출합니다.

  • 흉부 X-ray 영상에서 흔하게 발견되는 9가지 비정상 소견을 정확히 검출합니다.

    Lunit INSIGHT CXR은 루닛의 독자적인
    딥러닝 기술을 사용합니다.

    *결핵 케이스 선별에 활용 가능

  • Lunit INSIGHT CXR이
    제공하는 정보

    • 비정상 영역 표시

      병변이 의심되는 영역을 히트맵,
      윤곽선으로 표시합니다.

    • 비정상 점수(%)

      병변의 존재 가능성을 확률값으로 계산하여 도출합니다.

    • AI 리포트

      검출된 비정상 소견에 대해 자세한 분석 결과를 담은 리포트를 제공합니다.

Major Benefits

판독 정확도와
효율이 향상됩니다.

  • 정상 케이스를
    신속히 선별

    정상 케이스를 빠르게 판독하고
    비정상 케이스 판독에 집중할 수 있습니다.

  • 우선순위에 따른
    효율적인 판독

    비정상 점수에 따라 케이스를 순차적으로 판독해 정상 케이스의 판독 소요시간을 65%, 비정상 케이스의 경우 25% 단축할 수 있습니다. 1

  • 판독 정확도 향상

    임상과 전문의, 영상의학 전문의, 흉부 영상의학 전문의 모두 주요 비정상 소견에 대한 판독 정확도를 향상할 수 있습니다. 2 3 4 5 6 7 8

  • 폐암 조기 진단

    인공지능 분석으로 작고 미세한 폐결절을 검출해 위음성률을 줄이고 폐암을 조기에 진단할 수 있습니다. 9

  • 응급의학과
    판독 효율성 향상

    응급 케이스에 대한 판독 시간을 39% 줄여 신속한 의사결정 및 치료가 가능합니다. 10

Example Cases

비정상 소견,
놓쳐선 안됩니다.

  • 폐암으로 진단된 결절이 심장과 겹쳐진 부위에서 검출되었습니다.
    영상의학 전문의 15명 중 8명이
    놓친 케이스입니다.

    비정상 점수

    44%

    영상의학 전문의 판독 오진

    15명 중 8명

    폐암으로 진단된 결절이 우측 폐 상엽에서 검출되었습니다.
    영상의학 전문의 9명 중 9명 모두 놓친 케이스입니다.

    비정상 점수

    66%

    영상의학 전문의 판독 오진

    9명 중 9명

    폐암으로 진단된 결절이 횡격막과 겹쳐진 부위에서 검출되었습니다.
    영상의학 전문의 9명 중 5명이 놓친 케이스입니다.

    비정상 점수

    96%

    영상의학 전문의 판독 오진

    9명 중 5명

  • 파트너사

  • 주요 고객사

루닛의 연구 논문들을 확인하세요.

Chest

Undetected Lung Cancer at Posteroanterior Chest Radiography: Potential Role of a Deep Learning–based Detection Algorithm

Ju Gang Nam et al.

Radiology (2020)

Chest

Deep-learning algorithms for the interpretation of chest radiographs to aid in the triage of COVID-19 patients: A multicenter retrospective study

Se Bum Jang et al.

PLOS ONE (2020)

Chest

Deep-learning Based Automated Detection Algorithm for Active Pulmonary Tuberculosis on Chest Radiographs: Diagnostic Performance in Systematic Screening of Asymptomatic Individuals

Jong Hyuk Lee et al.

European Radiology (2020)

Chest

Deep Learning–based Automatic Detection Algorithm for Reducing Overlooked Lung Cancers on Chest Radiographs

Sowon Jang et al.

Radiology (2020)

Chest

Development and Validation of a Deep Learning–based Automatic Detection Algorithm for Malignant Pulmonary Nodules on Chest Radiographs

Sunggyun Park et al.

Radiology (2018)

Chest

Validation of a Deep Learning Algorithm for the Detection of Malignant Pulmonary Nodules in Chest Radiographs

Hyunsuk Yoo et al.

JAMA Network Open (2020)

Chest

Performance of a Deep-learning Algorithm Compared to Radiologic Interpretation for Lung Cancer Detection on Chest Radiographs in a Health Screening Population

Jong Hyuk Lee et al.

Radiology (2020)

Chest

Deep learning algorithm for surveillance of pneumothorax after lung biopsy: a multicenter diagnostic cohort study

Eui Jin Hwang et al.

European Radiology (2020)

Chest

Deep Learning for Chest Radiograph Diagnosis in the Emergency Department

Eui Jin Hwang et al.

Radiology (2019)

Lunit INSIGHT CXR이 바꿔가는
흉부 X-ray 검사 현장의 모습을 확인하세요.

더 많은 정보를 확인하세요.

유튜브 채널 바로 가기

참고 자료

  • Background

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

    2Quekel 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.

    3Forrest JV, Friedman PJ. Radiologic errors in patients with lung cancer. Wes J Med 1981;134:485.

    4Kesselman 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.

    5Monnier-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.

    6Eng 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.

    7Potchen EJ, Cooper TG, Sierra AE, et al. Measuring performance in chest radiography. Radiology 2000;217:456-9.

    8Milner RC, Culpan G, Snaith B.Radiographer reporting in the UK: is the current scope of practice limiting plain-film reporting capacity? Br J Radiol. 2016 Sep 89(1065):20160228. doi:

  • Major Benefits

    1Internal test results

    2Ju Gang Nam, Sunggyun Park, et al., Development and Validation of Deep Learning–based Automatic Detection Algorithm for Malignant Pulmonary Nodules on Chest Radiographs, Radiology, 2018

    3Eui Jin Hwang, Sunggyun Park, et al., Development and Validation of a Deep Learning-based Automatic Detection Algorithm for Active Pulmonary Tuberculosis on Chest Radiographs, Clinical Infectious Diseases, 2018

    4Eui Jin Hwang, Sunggyun Park, Kwang-Nam Jin, et al., Development and Validation of a Deep Learning–Based Automated Detection Algorithm for Major Thoracic Diseases on Chest Radiographs, JAMA Network Open, 2019

    5Jong Hyuk Lee, Sunggyun Park, et al., Deep learning–based automated detection algorithm for active pulmonary tuberculosis on chest radiographs: diagnostic performance in systematic screening of asymptomatic individuals, European Radiology, 2020

    6Eui Jin Hwang, Jung Hee Hong, et al., Deep learning algorithm for surveillance of pneumothorax after lung biopsy: a multicenter diagnostic cohort study, European Radiology, 2020

    7Jong Hyuk Lee, Hye Young Sun, et al., Performance of a Deep Learning Algorithm Compared with Radiologic Interpretation for Lung Cancer Detection on Chest Radiographs in a Health Screening Population, Radiology, 2020

    8Hyunsuk Yoo, Ki Hwan Kim, et al., Validation of a Deep Learning Algorithm for the Detection of Malignant Pulmonary Nodules in Chest Radiographs, JAMA Network Open. 2020

    9Sowon Jang, Hwayoung Song, et al., Deep Learning–based Automatic Detection Algorithm for Reducing Overlooked Lung Cancers on Chest Radiographs, Radiology, 2020

    10Jae Hyun Kim, Jin Young Kim, et al., Clinical Validation of a Deep Learning Algorithm for Detection of Pneumonia on Chest Radiographs in Emergency Department Patients with Acute Febrile Respiratory Illness, Journal of Clinical Medicine, 2020