總部位于美國舊金山的新興企業(yè) Enlitic 創(chuàng)立于2014年，種子輪獲得了200萬美元融資。2015年10月，澳大利亞的醫(yī)療圖像診斷服務(wù)公司 Capitol Health 宣布采用 Enlitic 的惡性腫瘤檢出系統(tǒng)系統(tǒng)。這是 Enlitic 公司的系統(tǒng)首次被采用。同時， Capitol Health 對 Enlitic 出資1000萬美元。

雷鋒網(wǎng)了解到， Enlitic 公司是一家深度學(xué)習(xí)的公司，致力于革新診斷性醫(yī)療。 Enlitic 的人工智能算法由多學(xué)科、國際知名數(shù)據(jù)科學(xué)家、機(jī)器學(xué)習(xí)從業(yè)者和醫(yī)學(xué)專家組成的基礎(chǔ)設(shè)計，連續(xù)兩年蟬聯(lián)MIT Technology Review雜志評選的全球人工智能公司第35（2015）和第14名（2016）。

該公司專注于人工智能輔助診斷工具，以醫(yī)學(xué)圖像、診斷書、臨床試驗(yàn)為數(shù)據(jù)基礎(chǔ)，著重提升放射科醫(yī)生的工作效率。其開發(fā)的系統(tǒng)主要針對醫(yī)療圖像擴(kuò)充數(shù)據(jù)庫， Enlitic 軟件可以插入到醫(yī)療機(jī)構(gòu)已經(jīng)在使用的系統(tǒng)當(dāng)中，從而分享或查看醫(yī)療圖像，讓醫(yī)生不必自己費(fèi)勁查找相關(guān)圖像數(shù)據(jù)。

 Enlitic 的創(chuàng)始人兼首席執(zhí)行官杰里米·霍華德表示，希望通過這種方法挖掘醫(yī)療數(shù)據(jù)，并給醫(yī)護(hù)專業(yè)人員提供易于使用的應(yīng)用程序。

 X 光片要識別出惡性腫瘤難度頗高

雷鋒網(wǎng)查閱資料得知，就 X 光片為例，據(jù)美國疾控中心（CDC）估計，每年美國大約有1210萬人接受乳腺 X 光檢查，但根據(jù)美國癌癥協(xié)會（ACS）統(tǒng)計，其中差不多有一半都有“假陽性”嫌疑，也就是一半的健康女性會被告知他們得了癌癥。大量女性為了確信度選擇接受乳腺活組織檢查（每年160萬人左右），而其中的20%都屬于健康女性，同時活檢結(jié)果正確率也只有60%-80%。

 X 光照片的分辨率通常在百萬級別，惡性腫瘤的尺寸卻僅占數(shù)十位像素。從相對比例上來看，要分辨出惡性腫瘤具有相當(dāng)高的難度。

放射科醫(yī)生并不都認(rèn)為機(jī)器是有用的，因?yàn)橛嬎銠C(jī)輔助診斷(CAD)并不好用?；羧A德說，這種模型可以捕捉影像中的斑點(diǎn)，但經(jīng)常錯誤顯示為陽性。因此醫(yī)生們常常覺得輔助軟件工具很傻，Enlitic要做的是改變這種觀念。

他是一個閑不住的人

Enlitic的創(chuàng)始人兼首席執(zhí)行官杰里米·霍華德是 Enlitic 、 FastMail 、 Optimal Decisions Group 三家科技公司的創(chuàng)始人兼 CEO，是大數(shù)據(jù)競賽平臺 Kaggle 的前主席和首席科學(xué)家，是美國奇點(diǎn)大學(xué)（Singularity University）最年輕的教職工，是在2014達(dá)沃斯論壇上發(fā)表主題演講的全球青年領(lǐng)袖，他在 TED 上的演講《The wonderful and terrifying implications of computers that can learn》收獲了近200萬的點(diǎn)擊…

顯然，他是一個閑不住的人。為了讓深度學(xué)習(xí)技術(shù)被更多的人理解和使用，杰里米·霍華德近期又創(chuàng)立了一個名為 fast.ai 的技術(shù)分享平臺。該平臺不但免費(fèi)提供關(guān)于深度學(xué)習(xí)技術(shù)的系列視頻教程（例如由杰里米·霍華德本人講授的“Practical Deep Learning For Coders”），同時也可以直接幫助從業(yè)者和用戶開發(fā)簡單快捷的軟件產(chǎn)品。

 Enlitic 的癌癥檢測系統(tǒng) 肺癌檢出率超過醫(yī)生

從 X 光照片及 CT 掃描圖像中找出惡性腫瘤的圖像識別軟件是利用深度學(xué)習(xí)的方法之一 “Convolutional Neural Network(ConvNet，卷積神經(jīng)網(wǎng)絡(luò))”開發(fā)的。 ConvNet 對放射技師檢查過有無惡性腫瘤及腫瘤位置等的大量醫(yī)療圖像數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)，自動總結(jié)出代表惡性腫瘤形狀等的“特征”以及重視哪些特征能夠判斷有無惡性腫瘤等“模式”。 ConvNet 將找出的模式應(yīng)用于新的醫(yī)療圖像，便可知道圖像中是否存在惡性腫瘤。

據(jù)此前悉尼先驅(qū)晨報的報道， Enlitic 憑借深度學(xué)習(xí)技術(shù)超越了4位頂級的放射科醫(yī)生，包括診斷出了人類醫(yī)生無法診斷出的7%的癌癥，以及在人類醫(yī)生高達(dá)66%的癌癥誤診率的情況下，Enlitic的誤診率只有47%。

與拍醫(yī)拍合作，配合中國全國健康檢查中心深入學(xué)習(xí)

2017年4月，中國醫(yī)療 AI 科技公司拍醫(yī)拍正式成立“拍醫(yī)拍醫(yī)學(xué)智能研究院”， Enlitic 與其達(dá)成深度合作，試水人工智能在醫(yī)療影像中的真實(shí)應(yīng)用。據(jù)雷鋒網(wǎng)了解，中美兩國對放射科醫(yī)生服務(wù)需求非常急迫。從放射科醫(yī)生的年增長率來看，美國和中國僅僅只有2.2%和4.1%，遠(yuǎn)遠(yuǎn)不及醫(yī)學(xué)影像數(shù)據(jù)對應(yīng)63.1%和30.0%的高速增長率。每年3億人次參與體檢市場的用戶量也有力的說明了問題。

 Enlitic 在醫(yī)療保健領(lǐng)域的具體障礙都有哪些？

自動化診斷技術(shù)在醫(yī)療保健領(lǐng)域的應(yīng)用越來越廣泛，但是不是這種技術(shù)在實(shí)際的操作中就一片坦途呢？在今年1月份的一次專訪中，杰里米·霍華德對 Enlitic 在領(lǐng)域中遇到的一些問題進(jìn)行了回應(yīng)。以下為他接受專訪時的回應(yīng)內(nèi)容。

最大的障礙之一是缺乏完整的數(shù)據(jù)集，即大量病人在一段時間內(nèi)進(jìn)行各種醫(yī)學(xué)測試、醫(yī)學(xué)干預(yù)，以及醫(yī)療效果的綜合性的數(shù)據(jù)集。只有基于這樣的大規(guī)模的完整的數(shù)據(jù)集，我們才可以建立精準(zhǔn)的深度學(xué)習(xí)模型，提供基于實(shí)際醫(yī)療效果的診斷和治療建議，而不是簡單的初級的診斷猜測。

另一個障礙是缺乏在這一領(lǐng)域工作的數(shù)據(jù)科學(xué)家。讓我感到驚訝的是，目前有大量的杰出科學(xué)家投身于相對影響力較低的領(lǐng)域，比如廣告技術(shù)、產(chǎn)品建議和社交網(wǎng)絡(luò)。同時，目前有大量的深度學(xué)習(xí)研究人員都聚焦于如何“構(gòu)建大腦”，而不是利用技術(shù)解決當(dāng)前人類面對的實(shí)際問題。

另一個出人意料的障礙是，醫(yī)學(xué)領(lǐng)域太細(xì)分太專業(yè)了，這造成我們的科研成果或許能適用于某一科室，但卻很難在更一般的醫(yī)療問題上提供有效的建議。因此，傳統(tǒng)醫(yī)學(xué)的細(xì)分和專業(yè)化也是障礙之一。

深度學(xué)習(xí)技術(shù)會利用大數(shù)據(jù)（比如醫(yī)療影像）來訓(xùn)練人工智能系統(tǒng)，然后讓它對新數(shù)據(jù)給出分析反饋。其他提供深度學(xué)習(xí)工具的公司還有 Clarifai 、 Ersatz Labs 、 Metamind 、 Nervana Systems 以及 Skymind 。

技術(shù)并不缺乏炒作，深度學(xué)習(xí)在快速變化。一定的空間內(nèi)，深度學(xué)習(xí)技術(shù)可以在許多行業(yè)派上用場，但也可能是只針對特定地區(qū)，特定工種的工人的申請。霍華德認(rèn)為這是可能的深度學(xué)習(xí)的不斷成熟。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。