Qu’est-ce qu’un diagnostic différentiel ?
Les diagnostics différentiels sont des maladies présentant des symptômes similaires ou presque identiques, que le médecin doit également considérer comme des causes possibles des plaintes du patient, en plus du diagnostic présumé proprement dit.

Utilisez-vous des informations en 2D ou en 3D pour la recherche ?
Lors du marquage d’une zone d’intérêt en 2D, celle-ci est automatiquement étendue à une zone d’intérêt en 3D. Toutes les informations 3D sont prises en compte pour identifier les motifs visuellement similaires.

S’agit-il d’une solution basée sur le web ?
Notre solution peut être mise en œuvre en tant qu’application web. Cependant, afin de se conformer au GDPR et aux réglementations en matière de sécurité des données, notre logiciel est actuellement hébergé au sein du réseau de l’hôpital.

Votre produit est-il certifié ?
contextflow ADVANCE Chest CT est marqué CE. En outre, notre société a reçu sa certification ISO 13485:2016 via TüV SüD, ce qui signifie que nous avons mis en place un système de gestion de la qualité qui répond aux exigences des normes ISO 13485:2016.

La taille du motif ou le nombre de motifs ont-ils une incidence sur la catégorie dans laquelle l’étui est placé ?
Non, la taille du motif et le nombre de motifs détectés n’ont PAS d’incidence sur le classement d’un cas dans la catégorie rouge ou non. Par exemple, un cas ne présentant qu’une très petite région d’un motif de maladie est tout de même placé dans la catégorie rouge.

Sur quel type d’algorithme repose contextflow ?
Nous développons et formons nos propres réseaux neuronaux convolutionnels (profonds), qui sont conçus de manière à créer des « cartes » (embeddings) où les modèles sémantiquement similaires sont très proches les uns des autres et où les modèles différents ne le sont pas. Ainsi, nous pouvons identifier des cas visuellement similaires en examinant les modèles de cas existants qui sont très proches du cas sélectionné. Pour ces cas similaires, nous pouvons examiner toutes les informations cliniques et pertinentes qui s’y rapportent.

Pouvez-vous entraîner à nouveau votre algorithme uniquement sur la base de nos données ?
Pour l’instant, nous ne prévoyons pas d’entraîner à nouveau l’algorithme sur les données locales. Nous permettons simplement une recherche sur vos données locales.

Comment garantissez-vous la qualité de vos méthodes ?
Nous disposons d’un processus rationalisé de curation et d’annotation des données au cours duquel, en collaboration avec nos experts en radiologie, nous validons les résultats de l’image. Les annotations sont créées à un niveau tel que nous pouvons évaluer la qualité de nos méthodes. Nous utilisons un mélange d’approches non supervisées, semi-supervisées et supervisées, en minimisant la quantité de données annotées nécessaires pour fournir des performances de recherche d’images de haute qualité.

Comment s’assurer que votre système n’est pas biaisé ?
Excellente question ! 1) Il est vrai que vous pouvez ne pas disposer de toutes les données dans l’ensemble de données… vous pouvez travailler avec des populations où un type de maladie n’est pas très répandu. Dans ce cas, vous devez vous assurer que la base de données couvre la plupart ou la totalité des schémas pertinents. Exemple des mines de charbon : la différence entre les maladies pulmonaires aux États-Unis et en Europe n’est probablement pas très importante, mais il existe des exemples où, par exemple, le tissu mammaire des femmes européennes est plus dense que celui des femmes asiatiques, et là, vous auriez besoin de jeux de données différents. Il n’y a donc pas de réponse parfaite à cette question, si ce n’est qu’il faut suivre les indications des médecins pour savoir dans quels cas nous avons besoin d’ensembles de données différents. 2) Il se peut que l’ensemble de données soit biaisé en raison de la manière dont les personnes le déclarent. Nous ne prenons pas aveuglément les données de l’hôpital, mais nous disposons également d’un processus de curation des données, de sorte que nous procédons à une étape intermédiaire. 3) Supposons qu’il y ait une nouvelle description de la maladie, le contenu de référence sera mis à jour. Nous disposons toujours de la base de données périmée, mais nous établissons un lien avec la base de données de référence, qui est toujours à la pointe de la technologie. 4) Nous validons continuellement les algorithmes pour éviter de surajuster le modèle.

Votre technologie remplace-t-elle les radiologues ?
Non, notre technologie est conçue pour aider les radiologues au cours du processus de diagnostic et n’effectue pas de diagnostic automatisé. Nous aidons simplement les radiologues à traiter les cas difficiles et à faire face à leur charge de travail élevée. Le radiologue est toujours aux commandes.

Quel type de données la base de connaissances contient-elle ?
La base de connaissances comprend plus de 8 000 scanners pulmonaires et les informations correspondantes acquises au cours de la routine clinique sur une période d’environ 3 ans. Au cours de la collecte des données, les critères d’inclusion étaient limités aux critères de qualité technique uniquement pour obtenir un échantillon impartial de la population de routine.

D’où viennent les données de la base de connaissances ?
Les données anonymisées de la base de connaissances sont fournies par les hôpitaux partenaires de contextflow. Nous avons un excellent réseau grâce aux membres de l’équipe qui travaillent dans ce domaine depuis longtemps. Grâce à ces contacts personnels, nous gagnons la confiance et développons des partenariats gagnant-gagnant. En outre, nous assistons aux principales conférences de radiologie dans le monde et établissons des contacts avec des partenaires internationaux.

Payez-vous pour les données ?
La valeur clinique dérivée de nos outils d’IA incite nos hôpitaux partenaires à partager leurs données sous-utilisées. C’est une situation gagnant-gagnant, et donc nous ne payons pas pour les données.

Comment garantissez-vous la confidentialité des données pour les cas faisant partie de votre base de connaissances ?
La base de connaissances de contextflow contient uniquement des ensembles de données entièrement anonymes qui ne permettent pas de remonter à des patients individuels.

Dans la démonstration, j’ai vu que des informations sur les patients (âge, sexe) étaient disponibles. D’autre part, il est indiqué qu’aucune donnée sur les patients n’est transférée. D’où proviennent les informations affichées ? Quelles sont les informations « encodées » dans les caractéristiques ?

Les deux sont corrects. Nous traitons les cas locaux localement sur une machine virtuelle. Nous pouvons donc vous montrer les informations relatives au patient sélectionné dans notre navigateur – parce qu’il fonctionne localement. Pour les données anonymes de notre base de connaissances, nous disposons également d’informations supplémentaires (par exemple, l’âge, le sexe, les rapports, …) que nous pouvons bien sûr également afficher.
Les caractéristiques encodent des informations abstraites extraites par notre algorithme (par exemple, des réseaux neuronaux) calculé localement sur la base des informations de l’image.

Quel est le lien entre le PACS et le serveur local contextflow ? Le serveur local contextflow a-t-il un accès complet aux images du PACS ?
Notre serveur local dispose d’un récepteur DICOM qui accepte les DICOM qui nous sont transmis. Le plugin PACS crée une URL qui pointe vers la machine virtuelle contextflow et inclut également l’UID de l’instance DICOM du cas (afin que nous puissions ouvrir le bon cas qui nous a été précédemment envoyé par le PACS).

Dans quelle mesure contextflow a-t-il accès au serveur local ? Comment le support est-il fourni ?
A travers un VPN sécurisé et ssh, nous avons accès au serveur local pour la maintenance et le support. Pour l’utilisateur, nous avons notre service d’assistance pour soumettre des demandes, des idées et des bogues.

Est-il possible de sélectionner un extrait d’un cas qui contient également des informations sur le patient dans le coin ? Si oui, quel est l’impact de ces informations sur la vie privée ?
Cela n’a pas d’incidence, car les informations utilisées par l’algorithme sont uniquement les informations relatives à l’image. Les informations textuelles sont simplement superposées localement dans l’interface utilisateur afin que toutes les informations soient disponibles d’un seul coup d’œil.

Comment la communication entre le site local et le site web est-elle protégée ? Le cryptage est-il appliqué ?
Le site web peut être configuré pour n’utiliser que le protocole https. Nous devons coopérer pour mettre en place des certificats valides puisque l’hôte fonctionne dans votre réseau local. En guise de solution de repli, nous pouvons déployer des certificats auto-signés que vous devez mettre sur liste blanche sur les postes de travail.

Les URL sont-elles uniques / hachées ou reconnaissables (exemple : contexflow.com/?company=LUMC&caseID=1234) ?
L’URL est reconnaissable dans la mesure où elle inclut le nom d’hôte local ou l’adresse IP et l’InstanceUID – mais elle ne fonctionne que localement et son accès est protégé par un utilisateur/mot de passe.

J’en conclus que le serveur local de contextflow stocke des informations personnelles (DICOM). Pourriez-vous confirmer cette conclusion ?
Oui, pour pouvoir effectuer une recherche dans un scan, celui-ci doit être disponible sur le serveur local, nous stockons donc les données DICOM qui ont été envoyées au serveur local.

Combien de temps les données DICOM sont-elles conservées sur le serveur local ?
Elles sont conservées tant qu’il y a de l’espace de stockage disponible, après quoi nous commençons à supprimer les données les plus anciennes. Vous pouvez également définir la période de conservation.

Je supposais que le serveur local recherchait également des études similaires dans notre PACS. D’après votre réponse, cela ne semble pas être le cas. Pourriez-vous confirmer ou infirmer mon hypothèse ?
La possibilité d’effectuer des recherches dans le système PACS local est une nouvelle fonctionnalité que nous souhaitons mettre en place dans un avenir proche, en fonction de vos commentaires et de vos demandes. Dans la version actuelle, cette fonctionnalité n’est pas encore disponible.

Quand contextflow a-t-il été fondé ?
Nous avons été fondés en 2016.

Qui a fondé contextflow ?
contextflow a été fondé par 4 experts de l’IA en imagerie médicale : Markus Holzer (CEO), René Donner (CTO), Georg Langs (Chief Scientist) et Allan Hanbury (Professeur d’intelligence des données). Vous trouverez plus d’informations sur notre équipe sur notre page Équipe.

Quelle est votre histoire d’origine ?
contextflow est une spin-off de l’Université médicale de Vienne (MUW), de l’Université technique de Vienne (TU) et du projet de recherche européen KHRESMOI, qui a développé un système de recherche et d’accès multilingue et multimodal pour les informations et les documents biomédicaux. Une fois le projet achevé avec succès, nos cofondateurs ont décidé de poursuivre le travail, et c’est ainsi que contextflow a vu le jour.

Combien de personnes travaillent chez contextflow ?
Heureusement, nous sommes de plus en plus nombreux ! Aux dernières nouvelles, nous sommes une équipe de plus de 40 personnes.

Qu’est-ce qui rend votre équipe si spéciale ?
Notre lien est notre sauce secrète, et nous le renforçons régulièrement, que ce soit en cuisinant ensemble, en jouant au poker ou lors de nos happy hours bihebdomadaires. Nous sommes un groupe diversifié, originaire de plus de 20 pays, qui a la passion de changer l’avenir de la radiologie et d’améliorer les soins aux patients. Et nous laissons nos egos à la porte, cultivant ainsi un environnement de collaboration.

Je souhaite travailler pour contextflow. Que dois-je faire ?
Nous sommes toujours à la recherche de personnes passionnées pour rejoindre la famille contextflow. Consultez notre page Carrières pour connaître les postes les plus récents. Vous ne trouvez pas ce que vous cherchez ? Envoyez votre CV et une lettre de motivation à office@contextflow.com en nous indiquant comment vous souhaitez contribuer.