总部位于美国旧金山的新兴企业 Enlitic
创立于2014年，种子轮获得了200万美元融资。2015年10月，澳大利亚的医疗图像诊断服务公司 Capitol Health 宣布采用
Enlitic 的恶性肿瘤检出系统系统。这是 Enlitic 公司的系统首次被采用。同时， Capitol Health 对 Enlitic
出资1000万美元。
雷锋网(公众号：雷锋网)了解到，
Enlitic 公司是一家深度学习的公司，致力于革新诊断性医疗。 Enlitic
的人工智能算法由多学科、国际知名数据科学家、机器学习从业者和医学专家组成的基础设计，连续两年蝉联MIT Technology
Review杂志评选的全球人工智能公司第35（2015）和第14名（2016）。
该公司专注于人工智能辅助诊断工具，以医学图像、诊断书、临床试验为数据基础，着重提升放射科医生的工作效率。其开发的系统主要针对医疗图像扩充数据库，
Enlitic 软件可以插入到医疗机构已经在使用的系统当中，从而分享或查看医疗图像，让医生不必自己费劲查找相关图像数据。
Enlitic 的创始人兼首席执行官杰里米·霍华德表示，希望通过这种方法挖掘医疗数据，并给医护专业人员提供易于使用的应用程序。
X 光片要识别出恶性肿瘤难度颇高
雷锋网查阅资料得知，就
X 光片为例，据美国疾控中心（CDC）估计，每年美国大约有1210万人接受乳腺 X
光检查，但根据美国癌症协会（ACS）统计，其中差不多有一半都有“假阳性”嫌疑，也就是一半的健康女性会被告知他们得了癌症。大量女性为了确信度选择接受乳腺活组织检查（每年160万人左右），而其中的20%都属于健康女性，同时活检结果正确率也只有60%-80%。
X 光照片的分辨率通常在百万级别，恶性肿瘤的尺寸却仅占数十位像素。从相对比例上来看，要分辨出恶性肿瘤具有相当高的难度。
放射科医生并不都认为机器是有用的，因为计算机辅助诊断(CAD)并不好用。霍华德说，这种模型可以捕捉影像中的斑点，但经常错误显示为阳性。因此医生们常常觉得辅助软件工具很傻，Enlitic要做的是改变这种观念。
他是一个闲不住的人
Enlitic的创始人兼首席执行官杰里米·霍华德是
Enlitic 、 FastMail 、 Optimal Decisions Group 三家科技公司的创始人兼 CEO，是大数据竞赛平台
Kaggle 的前主席和首席科学家，是美国奇点大学（Singularity
University）最年轻的教职工，是在2014达沃斯论坛上发表主题演讲的全球青年领袖，他在 TED 上的演讲《The wonderful
and terrifying implications of computers that can learn》收获了近200万的点击…
显然，他是一个闲不住的人。为了让深度学习技术被更多的人理解和使用，杰里米·霍华德近期又创立了一个名为 fast.ai 的技术分享平台。该平台不但免费提供关于深度学习技术的系列视频教程（例如由杰里米·霍华德本人讲授的“Practical
Deep Learning For Coders”），同时也可以直接帮助从业者和用户开发简单快捷的软件产品。
Enlitic 的癌症检测系统 肺癌检出率超过医生
从
X 光照片及 CT 扫描图像中找出恶性肿瘤的图像识别软件是利用深度学习的方法之一 “Convolutional Neural
Network(ConvNet，卷积神经网络)”开发的。 ConvNet
对放射技师检查过有无恶性肿瘤及肿瘤位置等的大量医疗图像数据进行机器学习，自动总结出代表恶性肿瘤形状等的“特征”以及重视哪些特征能够判断有无恶性肿瘤等“模式”。
ConvNet 将找出的模式应用于新的医疗图像，便可知道图像中是否存在恶性肿瘤。
据此前悉尼先驱晨报的报道， Enlitic 凭借深度学习技术超越了4位顶级的放射科医生，包括诊断出了人类医生无法诊断出的7%的癌症，以及在人类医生高达66%的癌症误诊率的情况下，Enlitic的误诊率只有47%。
与拍医拍合作，配合中国全国健康检查中心深入学习
2017年4月，中国医疗
AI 科技公司拍医拍正式成立“拍医拍医学智能研究院”， Enlitic
与其达成深度合作，试水人工智能在医疗影像中的真实应用。据雷锋网了解，中美两国对放射科医生服务需求非常急迫。从放射科医生的年增长率来看，美国和中国仅仅只有2.2%和4.1%，远远不及医学影像数据对应63.1%和30.0%的高速增长率。每年3亿人次参与体检市场的用户量也有力的说明了问题。
Enlitic 在医疗保健领域的具体障碍都有哪些？
自动化诊断技术在医疗保健领域的应用越来越广泛，但是不是这种技术在实际的操作中就一片坦途呢？在今年1月份的一次专访中，杰里米·霍华德对 Enlitic 在领域中遇到的一些问题进行了回应。以下为他接受专访时的回应内容。
最大的障碍之一是缺乏完整的数据集，即大量病人在一段时间内进行各种医学测试、医学干预，以及医疗效果的综合性的数据集。只有基于这样的大规模的完整的数据集，我们才可以建立精准的深度学习模型，提供基于实际医疗效果的诊断和治疗建议，而不是简单的初级的诊断猜测。
另一个障碍是缺乏在这一领域工作的数据科学家。让我感到惊讶的是，目前有大量的杰出科学家投身于相对影响力较低的领域，比如广告技术、产品建议和社交网络。同时，目前有大量的深度学习研究人员都聚焦于如何“构建大脑”，而不是利用技术解决当前人类面对的实际问题。
另一个出人意料的障碍是，医学领域太细分太专业了，这造成我们的科研成果或许能适用于某一科室，但却很难在更一般的医疗问题上提供有效的建议。因此，传统医学的细分和专业化也是障碍之一。
深度学习技术会利用大数据（比如医疗影像）来训练人工智能系统，然后让它对新数据给出分析反馈。其他提供深度学习工具的公司还有 Clarifai 、 Ersatz Labs 、 Metamind 、 Nervana Systems 以及 Skymind 。
技术并不缺乏炒作，深度学习在快速变化。一定的空间内，深度学习技术可以在许多行业派上用场，但也可能是只针对特定地区，特定工种的工人的申请。霍华德认为这是可能的深度学习的不断成熟。
本文作者：李雨晨
本文转自雷锋网禁止二次转载，原文链接