Notre technologie

Nous avons breveté une technologie de suivi oculaire non invasive, mobile et numérique qui extrait des centaines de biomarqueurs de mouvements oculaires et de cartographie du regard qui aident au diagnostic de diverses maladies neurodégénératives. La technologie d'Innodem est utilisée pour identifier les anomalies, évaluer et suivre la progression de la maladie, surveiller l'efficacité du traitement, le comparer à des témoins sains, et classer et aider au diagnostic de divers troubles neurologiques, permettant aux professionnels de la santé de prendre des mesures quantitatives pour le traitement des patients. . À une époque où les coûts explosent, nous pensons qu’une application logicielle mobile facile à utiliser, abordable et téléchargeable sur une tablette est ce dont le système de santé a besoin. Contrairement à d'autres fournisseurs de solutions du marché qui nécessitent du matériel infrarouge spécialisé, notre technologie logicielle mobile brevetée fonctionne en lumière visible sur un iPad Pro. Cette solution évolutive pourrait raccourcir le cycle de développement de médicaments de l'industrie pharmaceutique tout en offrant une approche encore plus pratique en milieu clinique pour les prestataires de soins de santé et les patients. La FDA a reconnu notre technologie innovante en lui attribuant la désignation de dispositif révolutionnaire. Santé Canada examine notre soumission concernant la première incarnation de notre technologie de base et notre premier produit appelé ETNA TM -MS en tant que logiciel de classe 2 en tant que dispositif médical (SaMD).

Notre technologie est composée de deux familles de brevets. La première est notre technologie de base, c'est-à-dire la technologie logicielle de suivi oculaire qui détermine la position du regard des yeux à l'aide de caméras frontales d'appareils mobiles dans la lumière visible.

https://uspto.report/patent/app/20200302640

Brevets américains 10713813, 10713814, 11074714, 11644898 Méthode et système de suivi oculaire

Abstrait

L'invention concerne un procédé d'entraînement d'un réseau neuronal pour déterminer une position du regard d'au moins un œil dans une image initiale comprenant ledit au moins un œil. Une pluralité d'images initiales d'apprentissage sont obtenues, dont au moins une image à composante de couleur d'apprentissage est extraite, chacune des images initiales d'apprentissage comprenant respectivement au moins un œil et une position de regard connue. Ceux-ci sont introduits dans un réseau neuronal produisant une représentation interne respective pour chacune de la ou des images composantes. Le réseau neuronal est entraîné en réajustant les poids dans le réseau neuronal pour avoir la représentation interne respective de chacune de la ou des images de composantes de couleur d'entraînement plus cohérente avec une position respective de la position du regard connue. Une fois entraîné, le réseau neuronal est utilisé pour déterminer la position estimée du regard par rapport à un écran d'un appareil électronique.

La deuxième famille de brevets concerne l'application de la technologie de base à la détection d'anomalies spécifiques des mouvements oculaires associées à diverses maladies neurologiques.

Brevet américain 11503998 : méthode et système de détection des anomalies du schéma du regard et des maladies neurologiques associées

Procédé de détection d'une maladie neurologique, le procédé comprenant : l'exécution d'un ensemble de tâches, chaque tâche étant distincte les unes des autres et correspondant à un ensemble distinct de caractéristiques pour la tâche, l'ensemble de tâches ayant une tâche d'étalonnage, une tâche de poursuite fluide , une tâche anti-saccade et au moins une tâche parmi une tâche de fixation et/ou une tâche pro-saccade, l'exécution d'un ensemble de tâches comprenant l'affichage de vidéos de stimulus sur un écran d'un dispositif électronique et le tournage simultané avec une caméra du dispositif électronique, le caméra située à proximité de l'écran, pour générer une vidéo du visage d'un utilisateur pour chacune des vidéos de stimulus, chacune des vidéos de stimulus correspondant à une tâche de l'ensemble de tâches, une vidéo de stimulus pour la tâche de poursuite fluide comprenant l'affichage une cible dans une séquence sur l'écran suivant un chemin continu prédéterminé et la cible apparaissant se déplaçant à une vitesse constante vers et depuis l'une des quatre extrémités de l'écran, incitant l'utilisateur à suivre délibérément le mouvement de la cible sur l'écran pendant le mouvement fluide tâche de poursuite, la vidéo de stimulus pour la tâche de poursuite fluide étant configurée pour extraire l'ensemble distinct de caractéristiques pour la tâche de poursuite fluide, et une vidéo de stimulus pour la tâche anti-saccade comprenant l'affichage d'une autre cible au centre de l'écran pendant une fixation période suivie par l'affichage d'un écran vide, puis par l'affichage d'un symbole à un autre endroit de l'écran pendant une période de stimulus, le symbole pointant vers une première direction, puis par l'affichage du symbole sur l'écran avec trois autres symboles, chacun parmi les trois autres symboles pointant vers une direction autre que la première direction, et invitant l'utilisateur à identifier l'endroit où le symbole pointait pendant la période de stimulation ; fournir un modèle d'apprentissage automatique pour des prédictions de regard ; sur la base des vidéos générées pour les tâches et à l'aide du modèle d'apprentissage automatique, générer les prédictions de regard pour chaque image vidéo de chaque vidéo du visage de l'utilisateur pour chaque tâche ; sur la base des prédictions de regard générées pour chaque image vidéo de chaque vidéo du visage de l'utilisateur pour chaque tâche, déterminer des valeurs de l'ensemble de caractéristiques pour chaque tâche ; et sur la base des valeurs de l'ensemble de caractéristiques déterminées pour chaque tâche, détecter la maladie neurologique à l'aide d'un modèle d'apprentissage automatique pré-entraîné.

Intelligence artificielle

Notre pipeline d’essais cliniques en cours fournit des données précieuses provenant de patients bien phénotypés. Ces données permettent à nos équipes d'ingénierie logicielle de développer et d'entraîner divers algorithmes d'apprentissage automatique pour tenter de prédire avec précision l'état et la progression de la maladie (l'objectif est d'être à un niveau équivalent à celui d'un clinicien spécialisé certifié).

La perception visuelle normale nécessite le bon fonctionnement des systèmes moteurs oculaires qui contrôlent la position et le mouvement des yeux pour focaliser l'image de l'objet d'intérêt (c'est-à-dire la cible visuelle) sur les zones correspondantes de la rétine des deux yeux. Les mouvements oculaires sont également contrôlés pour diriger les yeux vers une cible visuelle et suivre les mouvements de la cible visuelle. Ces mouvements oculaires sont contrôlés par des systèmes de regard . Ils coordonnent le mouvement des deux yeux pour garantir que les images sur les deux rétines tombent sur les zones correspondantes du champ binoculaire .