Screening mammografico
Identifica ed esclude in sicurezza i casi negativi. Riduce fino al 37,5% il carico di doppia lettura.
Le informazioni di prodotto contenute in questa pagina sono destinate esclusivamente ai professionisti sanitari
La prevenzione merita tempo. Noi vogliamo usarlo nel modo migliore.
73 mammografie su 100 sono negative.
Il dispositivo medico software BreastNegative, basato su modelli di Intelligenza Artificiale, viene utilizzato da medici radiologi specializzati in senologia, come supporto alla refertazione delle mammografie di screening. Il dispositivo medico prende come input le quattro proiezioni di un esame mammografico e, analizzando le immagini radiologiche, è in grado di fornire un output di negatività che categorizza l’esito dell’esame in due diverse classi:
Negative
L’esame non presenta segni di tumore. Supporta la riduzione della doppia lettura.
Double reading needed
Il dispositivo non può stabilire presenza o assenza di tumore. Rimandato alla normale pratica clinica.
Il software non formula diagnosi in autonomia, né sostituisce il giudizio clinico. La responsabilità diagnostica resta esclusivamente in capo al medico specialista.
FUNZIONAMENTO
Come funziona BreastNegative
Dal dato grezzo all’insight clinico in 5 passaggi automatici.
01
Pre-elaborazione e normalizzazione immagine.
Ogni mammografia viene standardizzata per garantire un input ottimale al modello.
02
Analisi deep learning delle 4 viste mammografiche.
Le quattro proiezioni mammografiche sono elaborate in parallelo dalla rete neurale.
03
Multi-View Attention Block per integrazione multimodale.
Il sistema integra le informazioni delle viste per produrre una valutazione coerente.
04
Score binario di negatività.
A ogni esame viene assegnato uno score binario di negatività, che determina se l’esame richiede o meno la doppia lettura.
05
Classificazione automatica e report con audit trail.
Il sistema produce un referto strutturato con tracciabilità completa dell’analisi.
01
Pre-elaborazione e normalizzazione immagine.
Ogni mammografia viene standardizzata per garantire un input ottimale al modello.
02
Analisi deep learning delle 4 viste mammografiche.
Le quattro proiezioni mammografiche sono elaborate in parallelo dalla rete neurale.
03
Multi-View Attention Block per integrazione multimodale.
Il sistema integra le informazioni delle viste per produrre una valutazione coerente.
04
Score binario di negatività.
A ogni esame viene assegnato uno score binario di negatività, che determina se l’esame richiede o meno la doppia lettura.
05
Classificazione automatica e report con audit trail.
Il sistema produce un referto strutturato con tracciabilità completa dell’analisi.
il problema
Lo screening tradizionale non riesce a tenere il passo con i volumi.
La doppia lettura sistematica garantisce accuratezza, ma richiede risorse che molti centri non hanno generando colli di bottiglia, liste d’attesa e pressione sui team radiologici.
Carenza di radiologi rispetto ai volumi di screening
Doppia lettura obbligatoria su milioni di esami annui
Tempi di refertazione incompatibili con la domanda crescente
la nostra soluzione
Uno screening che tiene il passo con il volume clinico reale.
BreastNegative identifica automaticamente i casi negativi con alta affidabilità, riducendo il carico della doppia lettura fino al 37,5% e consentendo ai radiologi di concentrarsi sui casi che richiedono davvero la loro attenzione.
*
Falsi negativi totali nella simulazione AI + radiologo
*
Falsi negativi
su mammografie classificate
*
Sensibilità combinata IA + radiologo
*
Carico di lavoro del secondo lettore - pari a −37,5% sul carico complessivo in doppia lettura
*Risultati su test set indipendente proveniente da OMI-DB.
evidenze cliniche
Validato su scala internazionale, pubblicato su riviste peer-reviewed.
Le performance di BreastNegative sono state misurate su dataset di riferimento internazionali (OPTIMAM e CSAW) e pubblicate su Radiology: Artificial Intelligence e Clinical Breast Cancer.
2026
Operating Point Optimization for Efficient Mammogram Triage Using Only Highly Elevated Probability Scores
Traill M et al. — Clinical Breast Cancer
2024
A Semiautonomous Deep Learning System to Reduce False-Positive Findings in Screening Mammography
Pedemonte S et al. — Radiology: Artificial Intelligence
2022
A deep learning algorithm for reducing false positives in screening mammography
Pedemonte S et al. — arXiv preprint
inizia ora
Porta BreastNegative nel tuo centro di screening.
Scopri come si integra nel tuo flusso RIS/PACS. Il nostro team clinico risponde entro 24 ore lavorative.
