本文作者：李雨晨
導(dǎo)語：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)派上用常
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
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(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(jìng)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(jiǎn)單快捷的軟件產(chǎn)品。
Enlitic 的癌癥檢測(cè)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%。