Ist das Ihr Unternehmen? Profil übernehmen
Dermiscan entwickelt KI-gestützte, nicht-invasive Verfahren zur Früherkennung von Hautkrebs.
Dermiscan
Fribourg (CH)Neu auf Amplifa
Über Dermiscan
Dermiscan ist ein Medizintechnikunternehmen mit Hauptsitz in Fribourg, Schweiz, das auf die KI-gestützte Früherkennung von Hautkrebs spezialisiert ist. Die Firma kombiniert optische Biopsie-Verfahren mit Methoden der künstlichen Intelligenz, um eine präzise, nicht-invasive Echtzeitbewertung der Haut zu ermöglichen. Ein Deep-Learning-Modell zur dermatologischen Bildklassifikation trained auf dem öffentlichen ISIC-2019-Datensatz mit rund 25'000 histopathologisch verifizierten Dermoskopie-Bildern und Classifiziert Läsionen in sieben Diagnosekategorien, darunter Melanom, Basalzellkarzinom, aktinische Keratose, benigne Keratose, Dermatofibrom, melanozytärer Nävus und vaskuläre Läsion. Die Evaluierung ergab eine balancierte Genauigkeit von 89,7 Prozent und einen Macro-AUC-ROC von 0,94. Jede Klassifikation enthält eine Risikoeinschätzung zur Unterstützung klinischer Entscheidungen und Triage. Dermiscan ist in klinischen Gesprächen mit Gesundheitseinrichtungen für den Einsatz in der Praxis und führt laufend Validierungsstudien mit klinischen Partnern durch.
- Standort
- Fribourg
- Verfahren
- KI-basierte dermatologische Bildklassifikation (Deep Learning auf Dermoskopie-Bildern, 7, KI-gestützte Früherkennung von Hautkrebs, Optische Biopsie, Nicht-invasive Echtzeit-Histologie-Bewertung der Haut, Dermatologische Bildklassifikation (7 Diagnosekategorien, Risikobewertung)
- Werkstoffe
- Deep Learning (EfficientNetV2-M / ConvNeXt-Base Ensemble), ISIC 2019 Datensatz (~25k Trainingsbilder), Optische Biopsie
- Zertifikate
- 5-fold Cross-Validation (patienten-basierte Splits), Externe Validierung (Derm7pt, PH²), ISO 9001
- Gegründet
- 2017
- Mitarbeiter
- 2–10
- Branchen
- Medizintechnik, Dermatologie, Medizinische Bildgebung, Hautkrebs-Screening
- 01
Datenaufbereitung dermatoskopischer Bilder
- 02
KI-basierte Bildklassifikation (Deep Learning)
- 03
Risikostratifizierung
- 04
Klinische Triage-Unterstützung
- 05
Validierung mit klinischen Partnern
Methoden & Technologie
Deep Learning (EfficientNetV2-M / ConvNeXt-Base Ensemble)
Weighted Ensemble zur Klassifikation von Dermoskopie-Bildern in sieben Diagnosekategorien.
ISIC 2019 Datensatz (~25k Trainingsbilder)
Histopathologisch verifizierte Dermoskopie-Bilder als Trainingsgrundlage mit klassenausbalancierter Augmentierung.
Optische Biopsie
Goldstandard-Verfahren für eine nicht-invasive, Echtzeit-histologische Bewertung der Haut.
Standort
Fribourg
CHHauptsitz
Branchen
Verfahren & technische Grenzen
| Verfahren | Toleranz | Max. Bauteil | Gewicht | Losgröße | Werkstoffe |
|---|---|---|---|---|---|
| KI-basierte dermatologische Bildklassifikation (Deep Learning auf Dermoskopie-Bildern, 7Prüfung | – | – | – | – | – |
Zusatzleistungen
Validierung & Qualität
Die Modelle werden mittels 5-facher stratifizierter Kreuzvalidierung mit patienten-basierten Splits und externer Validierung auf den Datensätzen Derm7pt und PH² geprüft; Kalibrierung per Temperature Scaling (ECE < 0,05).
| Nachweis | Fribourg |
|---|---|
| 5-fold Cross-Validation (patienten-basierte Splits) | |
| Externe Validierung (Derm7pt, PH²) | |
| ISO 9001 |
Historie
- 2017
Unternehmensgründung in Fribourg, Schweiz
- 2024
Abschluss der Studie zum dermatologischen Bildklassifikationsmodell (Dezember 2024)