總部位於美國三藩市的新興企業 Enlitic 創立於2014年, 種子輪獲得了200萬美元融資。 2015年10月, 澳大利亞的醫療圖像診斷服務公司 Capitol Health 宣佈採用 Enlitic 的惡性腫瘤檢出系統系統。 這是 Enlitic 公司的系統首次被採用。 同時, Capitol Health 對 Enlitic 出資1000萬美元。
雷鋒網瞭解到, Enlitic 公司是一家深度學習的公司, 致力於革新診斷性醫療。 Enlitic 的人工智慧演算法由多學科、國際知名資料科學家、機器學習從業者和醫學專家組成的基礎設計, 連續兩年蟬聯MIT Technology Review雜誌評選的全球人工智慧公司第35(2015)和第14名(2016)。
該公司專注於人工智慧輔助診斷工具, 以醫學圖像、診斷書、臨床試驗為資料基礎, 著重提升放射科醫生的工作效率。 其開發的系統主要針對醫療圖像擴充資料庫, Enlitic 軟體可以插入到醫療機構已經在使用的系統當中, 從而分享或查看醫療圖像, 讓醫生不必自己費勁查找相關圖像資料。
Enlitic 的創始人兼首席執行官傑瑞米·霍華德表示,
X 光片要識別出惡性腫瘤難度頗高
雷鋒網查閱資料得知, 就 X 光片為例, 據美國疾控中心(CDC)估計, 每年美國大約有1210萬人接受乳腺 X 光檢查, 但根據美國癌症協會(ACS)統計, 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症。 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%都屬於健康女性, 同時活檢結果正確率也只有60%-80%。
X 光照片的解析度通常在百萬級別, 惡性腫瘤的尺寸卻僅占數十位元圖元。 從相對比例上來看, 要分辨出惡性腫瘤具有相當高的難度。
放射科醫生並不都認為機器是有用的, 因為電腦輔助診斷(CAD)並不好用。 霍華德說, 這種模型可以捕捉影像中的斑點, 但經常錯誤顯示為陽性。 因此醫生們常常覺得輔助軟體工具很傻, Enlitic要做的是改變這種觀念。
他是一個閒不住的人
Enlitic的創始人兼首席執行官傑瑞米·霍華德是 Enlitic 、 FastMail 、 Optimal Decisions Group 三家科技公司的創始人兼 CEO,
顯然, 他是一個閒不住的人。 為了讓深度學習技術被更多的人理解和使用,
Enlitic 的癌症檢測系統 肺癌檢出率超過醫生
從 X 光照片及 CT 掃描圖像中找出惡性腫瘤的圖像識別軟體是利用深度學習的方法之一 “Convolutional Neural Network(ConvNet, 卷積神經網路)”開發的。 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療圖像資料進行機器學習, 自動總結出代表惡性腫瘤形狀等的“特徵”以及重視哪些特徵能夠判斷有無惡性腫瘤等“模式”。 ConvNet 將找出的模式應用於新的醫療圖像, 便可知道圖像中是否存在惡性腫瘤。
據此前悉尼先驅晨報的報導, Enlitic 憑藉深度學習技術超越了4位頂級的放射科醫生,包括診斷出了人類醫生無法診斷出的7%的癌症,以及在人類醫生高達66%的癌症誤診率的情況下,Enlitic的誤診率只有47%。
與拍醫拍合作,配合中國全國健康檢查中心深入學習
2017年4月,中國醫療 AI 科技公司拍醫拍正式成立“拍醫拍醫學智能研究院”, Enlitic 與其達成深度合作,試水人工智慧在醫療影像中的真實應用。據雷鋒網瞭解,中美兩國對放射科醫生服務需求非常急迫。從放射科醫生的年增長率來看,美國和中國僅僅只有2.2%和4.1%,遠遠不及醫學影像資料對應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 在醫療保健領域的具體障礙都有哪些?
自動化診斷技術在醫療保健領域的應用越來越廣泛,但是不是這種技術在實際的操作中就一片坦途呢?在今年1月份的一次專訪中,傑瑞米·霍華德對 Enlitic 在領域中遇到的一些問題進行了回應。以下為他接受專訪時的回應內容。
最大的障礙之一是缺乏完整的資料集,即大量病人在一段時間內進行各種醫學測試、醫學干預,以及醫療效果的綜合性的資料集。只有基於這樣的大規模的完整的資料集,我們才可以建立精准的深度學習模型,提供基於實際醫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域工作的資料科學家。讓我感到驚訝的是,目前有大量的傑出科學家投身于相對影響力較低的領域,比如廣告技術、產品建議和社交網路。同時,目前有大量的深度學習研究人員都聚焦于如何“構建大腦”,而不是利用技術解決當前人類面對的實際問題。
另一個出人意料的障礙是,醫學領域太細分太專業了,這造成我們的科研成果或許能適用於某一科室,但卻很難在更一般的醫療問題上提供有效的建議。因此,傳統醫學的細分和專業化也是障礙之一。
深度學習技術會利用大資料(比如醫療影像)來訓練人工智慧系統,然後讓它對新資料給出分析回饋。其他提供深度學習工具的公司還有 Clarifai 、 Ersatz Labs 、 Metamind 、 Nervana Systems 以及 Skymind 。
技術並不缺乏炒作,深度學習在快速變化。一定的空間內,深度學習技術可以在許多行業派上用場,但也可能是只針對特定地區,特定工種的工人的申請。霍華德認為這是可能的深度學習的不斷成熟。
據此前悉尼先驅晨報的報導, Enlitic 憑藉深度學習技術超越了4位頂級的放射科醫生,包括診斷出了人類醫生無法診斷出的7%的癌症,以及在人類醫生高達66%的癌症誤診率的情況下,Enlitic的誤診率只有47%。
與拍醫拍合作,配合中國全國健康檢查中心深入學習
2017年4月,中國醫療 AI 科技公司拍醫拍正式成立“拍醫拍醫學智能研究院”, Enlitic 與其達成深度合作,試水人工智慧在醫療影像中的真實應用。據雷鋒網瞭解,中美兩國對放射科醫生服務需求非常急迫。從放射科醫生的年增長率來看,美國和中國僅僅只有2.2%和4.1%,遠遠不及醫學影像資料對應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 在醫療保健領域的具體障礙都有哪些?
自動化診斷技術在醫療保健領域的應用越來越廣泛,但是不是這種技術在實際的操作中就一片坦途呢?在今年1月份的一次專訪中,傑瑞米·霍華德對 Enlitic 在領域中遇到的一些問題進行了回應。以下為他接受專訪時的回應內容。
最大的障礙之一是缺乏完整的資料集,即大量病人在一段時間內進行各種醫學測試、醫學干預,以及醫療效果的綜合性的資料集。只有基於這樣的大規模的完整的資料集,我們才可以建立精准的深度學習模型,提供基於實際醫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域工作的資料科學家。讓我感到驚訝的是,目前有大量的傑出科學家投身于相對影響力較低的領域,比如廣告技術、產品建議和社交網路。同時,目前有大量的深度學習研究人員都聚焦于如何“構建大腦”,而不是利用技術解決當前人類面對的實際問題。
另一個出人意料的障礙是,醫學領域太細分太專業了,這造成我們的科研成果或許能適用於某一科室,但卻很難在更一般的醫療問題上提供有效的建議。因此,傳統醫學的細分和專業化也是障礙之一。
深度學習技術會利用大資料(比如醫療影像)來訓練人工智慧系統,然後讓它對新資料給出分析回饋。其他提供深度學習工具的公司還有 Clarifai 、 Ersatz Labs 、 Metamind 、 Nervana Systems 以及 Skymind 。
技術並不缺乏炒作,深度學習在快速變化。一定的空間內,深度學習技術可以在許多行業派上用場,但也可能是只針對特定地區,特定工種的工人的申請。霍華德認為這是可能的深度學習的不斷成熟。