E!9653, SLDESUTO-BOX, Self-learning decision support tool for fast and accurate cancer evaluation in digital pathology, ContextVision AB
| Diarienummer | |
| Koordinator | ContextVision AB - R & D |
| Bidrag från Vinnova | 3 729 170 kronor |
| Projektets löptid | oktober 2015 - september 2018 |
| Status | Avslutat |
| Utlysning | Eurostars – för forskande små och medelstora företag |
Syfte och mål
Syftet med projektet var att, med utgångspunkt från marknadsbehov, unik teknologi och kunskap inom bildanalys, utveckla en rad beslutsstöd för patologer, så att diagnostisering och prognostisering av cancer kan underlättas. Målet var att ta fram en verktygslåda av beslutstödsalgoritmer som kan förenkla och effektivisera patologens arbete i bedömningar av vävnadsprover av de vanligaste cancerformer, prostata, bröst, kolon och hud. Målet är uppfyllt då vi nu har påbörjat pre-lanseringen av den första produkten INIFY Prostate.
Resultat och förväntade effekter
Resultatet från projektet är att ett nytt affärsområde bildats inom Contextvision för kommersialisering av utvecklingsarbetet, ett tiotal nya tjänster har därmed bildats och den första produkten är nu på väg att introduceras i Europa. Vi har bevisat vår unika kompetens inom deep learning och bildanalys genom deltagande i två bröstcancer Challenges, Camyleon17 och TUPAC, där vi placerades oss tvåa i världen på båda. Projektet hittills producerat 15 vetenskapliga publikationer, presentationer och posters.
Upplägg och genomförande
Samarbetet med vår partner eHealth enheten inom HES-SO -universitetet i Sierre, Schweiz har fungerat exceptionellt väl, vilket också visat sig i utfallet. Vi har haft regelbundna projektmöten månadsvis, varav två gånger om året fysiskt på samma plats. SCRUM-metodik har används för att styra projektet med dagliga avstämningar. En patentansökan gällande en metod att använda objektiva data i stället för subjektiva utvärderingar som underlag för träning av DL nätverken har lämnats in och offentliggjorts.