Your tissues have so much to tell
Des informations inédites et instantanées sur la tumeur du patient.
Notre mission est d’optimiser la prise en charge des patients atteints d’un cancer. Grâce à l’IA et à la pathologie numérique, nous proposons un support à la Réunion de Concertation Pluridisciplinaire en intégrant le diagnostic, la biologie moléculaire et les recommandations thérapeutiques directement sur l’image de la biopsie numérisée.
Nous définissons une nouvelle approche
L’Apprentissage Profond est capable d’identifier des anomalies morphologiques aujourd’hui inconnues des classifications anatomopathologiques. En le combinant à l’expertise médicale, nous proposons de nouveaux biomarqueurs tumoraux affinant le diagnostic et prédisant la réponse du patient à l’arsenal thérapeutique à la disposition des médecins.
Nous rendons accessibles les innovations en oncologie.
Les images d’anatomopathologie sont des trésors d’informations. Le médecin analyse l’architecture du tissu, les anomalies des cellules et des noyaux, leurs relations dans l’espace à faible et grande échelle. La puissance de calcul des réseaux de neurones que nous concevons permettent de décoder des informations visuellement imperceptibles.
Nos algorithmes sont conçus pour être un support de la RCP, pour l’oncologue, le chirurgien, le radiothérapeute et l’anatomopathologiste. Ils incluent une aide au diagnostic pour le pathologiste et une analyse de biologie moléculaire virtuelle sur l’image (NGS, transcriptomique, épigénétique …) pour aider l’oncologue à choisir les bons examens complémentaires à réaliser. A partir de ces informations, de nos bases de données et de la littérature, nous estimons statistiquement quelles sont les options thérapeutiques ayant le plus de chance de fonctionner.
Nos technologies
Chargement
Si vous êtes intéressés pour en savoir plus sur nos produits ou si vous êtes à la recherche de compétences comme les nôtres pour vos propres solutions, nous serons ravis de discuter avec vous.
Chiffres clés
Soigner plus vite
3 min.
pour analyser le marquage p16/ki67 avec 100% de sensibilité et 100% de spécificité avec p16/ki67AutoReader
Contre 1h pour l’analyse de référence avec 45.9% de faux négatif.
En savoir plus En savoir plusBaisser les coût
100%
des patients analysés bénéficient d'un compte rendu de biologie moléculaire sans coût additionnel.
Actuellement 50% des patients ratent une thérapie ciblée efficace car les bons tests de biologie moléculaires n'ont pu être réalisés.
En savoir plus En savoir plusDiagnostiquer plus finement
20,56x
plus de probabilités de prédire la chimiosensibilité grâce à l'analyse de Chemo-prAIdict
En comparaison de la classification standard (AJCC, SBR) pour le cancer du sein précoce traité en néoadjuvant.
En savoir plus En savoir plusNos produits
En savoir plus:p16/Ki67AutoReaderp16/Ki67AutoReader
Révolutionner le dépistage du cancer du col de l'utérus avec la cytologie automatisée
Rejoignez l’avenir du dépistage du cancer du col de l’utérus avec p16/Ki67 AutoReader d’Ummon.
En savoir plus:Ummon CrawlerUmmon Crawler
Médecine de Précision en Oncologie
50 % des patients n’ont pas accès à une thérapie ciblée efficace car le bon test moléculaire n’a pas été réalisé. Nous avons la solution !
En savoir plus:Chemo-prAIdictChemo-prAIdict
La réunion de concertation pluridisciplinaire de demain
Prédiction de la chimiosensibilité des tumeurs et du risque de rechute grâce au Deep Learning.
Nos partenaires
Nos publications
En savoir plus:Breast-NEOprAIdict: Predicting response of breast cancer patients treated with neoadjuvant chemotherapyBreast-NEOprAIdict: Predicting response of breast cancer patients treated with neoadjuvant chemotherapy
En savoir plus:MultiVarNet: Predicting tumour mutational status at the protein levelMultiVarNet: Predicting tumour mutational status at the protein level
En savoir plus:Preliminary evaluation of deep learning for first-line diagnostic prediction of tumor mutational statusPreliminary evaluation of deep learning for first-line diagnostic prediction of tumor mutational status
En savoir plus:Inter-semantic domain adversarial in histopathological imagesInter-semantic domain adversarial in histopathological images
En savoir plus:p16/Ki67 AutoReader: Retrospective diagnostic study of performancep16/Ki67 AutoReader: Retrospective diagnostic study of performance
En savoir plus:A deep learning solution for triaging patient with cancer according to their predicted mutational status using histopathological images