Wir kombinieren fortschrittlichstes maschinelles Lernen und Biologie zum Identifizieren neuer Biomarker.
Biomarker
Interpretierbare KI
Unsere interpretierbare KI ermöglicht es uns, den Nachweis bestehender Biomarker zu standardisieren. Außerdem können wir durch die Analyse multimodaler Daten neue Biomarker identifizieren, um das volle Potenzial der Präzisionsmedizin auszuschöpfen.
Multimodal
um das gesamte komplexe Bild der Krankheit zu erfassen.
Interpretierbar
um wichtige biologische Erkenntnisse aus Heatmap-Diagrammen zu gewinnen.
Klinisch bestätigt
um den klinischen Nutzen durch führende Experten in diesem Bereich zu gewährleisten.
Unser Ansatz
Wir leisten Pionierarbeit in der Histogenomik. Ein neuartiger Ansatz, bei dem Modelle maschinellen Lernens auf Histologie- und Genomdaten darauf trainiert werden, genomische Veränderungen auf digitalen Routineaufnahmen in der Pathologie zu erkennen. Diese Biomarker können zur Identifizierung von zielgerichteten Arzneimitteln und zur Optimierung klinischer Studien verwendet oder zu diagnostischen Instrumenten weiterentwickelt werden, die sich direkt in den Arbeitsablauf des Pathologen einfügen, um die richtige Behandlung für jeden Patienten zu ermitteln.
KontaktWarum Owkin?
Netzwerk aus mehr als 50 Krankenhäusern, 3 föderierte Netzwerken, 8 Konsortien, Zugang zu 45 Live-Datensätzen, hochdimensionalen Daten mit Längsschnitt-Follow-up
Wir verfügen über das größte europäische Datennetz, das auf Onkologie konzentriert ist und durch unsere einzigartige Technologie des föderierten Lernens unterstützt wird. So können wir unsere Modelle auf hochwertigen, von Experten kuratierten und für KI geeigneten Datensätzen trainieren.
Radiologische Aufnahmen, klinische Daten, EGA, Histologie- und Genomdaten
Owkin geht über die reinen Labor- und Omics-Daten hinaus, indem wir die Multimodalität nutzen, um ein präzises und vollständiges Bild des Patienten zu erhalten.
Führend im Bereich des föderierten Lernens, 30 Ingenieure, die über 70 Modelle entwickelt haben, über 68 KOL (Key Opinion Leader, 44 davon mit einem h-Index > 40)
Fundiertes Fachwissen in den Bereichen Medizin, maschinelles Lernen und Technik. Zusammenarbeit mit den besten KOL und Institutionen für wesentliche Erkenntnisse.
24 Veröffentlichungen in führenden akademischen Fachzeitschriften
Eine nachgewiesene Erfolgsbilanz bei der Nutzung von multimodalen Deep-Learning-Modellen zur Identifizierung neuer Biomarker für führende Biopharmaunternehmen und akademische Forschungslabors.
Fallstudie


+15 C Index
Bedeutung
Bedeutung
Biopharma
Hochwertige Untergruppen
BioPharma-Unternehmen können dieses Modell nutzen, um hochwertige Untergruppen von Patienten auszuwählen, die am ehesten auf den getesteten ICI ansprechen werden. Dadurch wird die statistische Aussagekraft der Studie verbessert.
Optimierung der Studie
Dies führt auch zu einer besseren Auswahl der Studienteilnehmer, zu Erfolgsquoten über die verschiedenen Studienphasen hinweg und schließlich zu einer Zulassung und präziseren Vermarktung.