MD.ai

MD.ai sert d'outil d'annotation radiologique et de visionneuse sur les mêmes données. La plateforme traite DICOM dès sa conception et non comme un format d'import de passage. Les examens entrent par import direct, par connexion à un espace de stockage Google Cloud, Amazon S3 ou Azure, ou par DICOM C-STORE. Les fichiers JPEG, PNG, TIFF et les vidéos passent aussi via une arborescence par patient, utile quand un examen mêle imagerie et clips cliniques.

La visionneuse dispose d'une certification FDA 510(k). L'interprétation clinique, la relecture et la rédaction se font donc dans un outil homologué, pas dans une visionneuse de recherche assortie d'un avertissement. Elle gère zoom, déplacement et fenêtrage, les protocoles de présentation, la reconstruction multiplanaire et les outils de mesure. Les annotations vivent dans le même espace que l'image : on annote et on lit sur un seul écran.

Vous déployez votre propre modèle et lancez une inférence distribuée sur le jeu de données. Le résultat arrive en pré-annotation, que l'annotateur accepte, ajuste ou rejette. Chaque projet peut avoir ses modèles et ses réglages, et la plateforme enregistre la performance du modèle face aux libellés humains. C'est la boucle de retour que la plupart des outils d'annotation laissent de côté.

L'annotation fédérée permet à plusieurs institutions de participer à l'évaluation d'un même modèle sans mettre en commun les données des patients. Chaque site annote ou lance l'inférence en local, seuls les résultats circulent. Pour un éditeur qui a besoin d'une validation externe avant un dossier, c'est souvent la seule façon d'obtenir des preuves multi-sites sans des mois d'accords de partage de données.

L'anonymisation des données de santé commence par la détection intégrée des PHI, qui parcourt images et métadonnées à la recherche d'informations identifiantes et les supprime avant l'export. L'anonymisation au niveau du pixel traite le texte incrusté dans l'image elle-même. C'est l'étape qui décide si un jeu de données peut sortir d'un hôpital, et l'avoir dans la plateforme évite un projet de conformité séparé.

Ce logiciel de comptes rendus radiologiques mobilise un modèle de langage sur les tâches qui prennent la journée d'un radiologue : choisir le bon gabarit, ranger les constats dictés dans les bons champs, rédiger l'impression, relire le texte et générer les codes de facturation à la signature. Vous pouvez travailler en mode guidé par l'IA ou rester en dictée classique et demander l'aide seulement quand vous le souhaitez.

Les comptes rendus peuvent s'appuyer sur la logique des guides BI-RADS, LI-RADS, TI-RADS et d'autres, et acceptent vos propres guides. Le système compare aussi le nouvel examen aux comptes rendus antérieurs et signale ce qui a changé. Les deux fonctions suppriment les allers-retours qui font durer un compte rendu plus longtemps que la lecture.

Une interface en ligne de commande et une bibliothèque Python permettent de créer des projets, d'importer des données, d'extraire des annotations et de gérer les utilisateurs par le code. Reporting se raccorde au EHR, au HIS et au RIS via HL7 et DICOM, et s'intègre dans une autre application en iframe avec un accès par jeton, si bien que le compte rendu s'ouvre dans le flux de l'hôpital.