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(shí)， Capitol Health 對(duì) EnliTIc 出資1000萬美元。

　　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(jì)，連續(xù)兩年蟬聯(lián)MIT Technology Review雜志評(píng)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(duì)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(shí)別出惡性腫瘤難度頗高

　　從資料得知，就 X 光片為例，據(jù)美國疾控中心（CDC）估計(jì)，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(huì)（ACS）統(tǒng)計(jì)，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(huì)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(shí)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(jí)別，惡性腫瘤的尺寸卻僅占數(shù)十位像素。從相對(duì)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?jì)算機(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(cuò)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(gè)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(tái) 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(gè)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(gè)名為 fast.ai 的技術(shù)分享平臺(tái)。該平臺(tái)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(shí)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(shí)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(duì)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(dòng)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(bào)的報(bào)道， Enlitic 憑借深度學(xué)習(xí)技術(shù)超越了4位頂級(jí)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，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(duì)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(duì)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(dòng)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(duì) 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(shí)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(shí)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(jí)的診斷猜測。

　　另一個(gè)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(duì)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(shí)，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(duì)的實(shí)際問題。

　　另一個(gè)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(huì)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(duì)新數(shù)據(jù)給出分析反潰其他提供深度學(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(duì)特定地區(qū)，特定工種的工人的申請(qǐng)?；羧A德認(rèn)為這是可能的深度學(xué)習(xí)的不斷成熟。