现代医疗面临最大的问题，仍然是医疗资源极度缺乏。
「世界经济论坛估计，我们需要至少300年的时间才可以培养出足够多的医护人员满足现在发展中国家的医疗需求。」 Jeremy Howard，Enlitic公司的创始人说道。
为了解决「医疗资源极度缺乏的难题」，Howard作为世界最顶级的数据科学家，他选择利用人工智能为医生创造一个强有力的医疗助手，为此他创办了Enlitic公司。
Enlitic，2014年8月份成立，总部位于美国的旧金山，被MIT技术评论选为「全球最智慧的50家」之一。这家公司利用深度学习来帮助医生更快速、更准确、更方便地来进行疾病诊断，它的数据来源种类繁多，包括医疗影像、医生记录、结构化的实验室数据等医疗数据。作为首家将深度学习和医疗大数据相结合的公司，Enlitic的成立标志着在世界范围内病患可以大规模地享受到深度学习给医疗领域带来的变革。
目前，Enlitic主要用于放射科的疾病诊断，与传统方法相比，Enlitic诊断更快速、更准确、花费更少。举个例子，一位患者做了肺部CT扫描，Enlitic会通过「读」CT扫描来估测这位患者患有肺癌的可能性，并寻找病情相似病患的治疗方法和治疗结果。医生可以根据Enlitic比较的结果来决定是否让病人做活检，如果需要做活检，那么活检能够提供更准确的信息，大大降低误诊的可能性。如果不需要做活检，Enlitic能够帮助患者省去一大笔开销，还能缓解他们的焦虑程度。
Enlitic数据来源繁多，既包括CT扫描、MRI等医疗影像，又包括临床记录、病理或放射学报告、实验室数据、患者报告的结果等等
2014年，Jeremy Howard在TED进行了「The wonderful and terrifying implications of computers that can learn」主题演讲中表示：「深度学习是深受大脑启发的算法，它没有理论上的局限性。你给的数据越多、计算时间越多，那么深度学习可以得出出更好的结果。」
将深度学习引入到疾病诊断中去？这个想法并不稀奇，此前在我们这不是「星际迷航」的剧照，这是未来AI读片的现场！丨奇点猛科技的文章中，全美最大放射科分发云平台Imaging Advantage 2016年宣布和麻省理工学院（MIT）、哈佛医学院（Harvard Medical School）、马萨诸塞州综合医院(MGH)宣布合作，将致力于人工智能分析X光片，判断疾病的潜在区域。在其他领域中，比如说个性化推荐和自动驾驶功能，深度学习已经成为革命性的力量。但对于关乎生命安全的医疗领域来说，深度学习的结果容不得一丝差错，诊断结果的准确性是成败与否的关键。而Enlitic公司对其诊断结果的准确性极其自信--Enlitic检测肺癌的精确度要高于人类专家50%。
在医疗影像中，肺癌是最难诊断癌症之一。一旦被诊断为晚期肺癌，80%-90%的患者将会面临死亡。但如果发现及时，那么患者的生存率将会提高十倍。Enlitic第一次将深度学习用于胸部CT图像来自动检测肺癌结节，并且检测准确度要高于胸部放射科专家小组50%，并且假阴性率为0，而人类专家的假阴性率则为7%。除此之外，Enlitic还能为其是否会发展为恶性肿瘤的危险程度进行评级。
公众可以查看Enlitic的测试结果，并且NIH支持建立的肺癌图像数据库联盟（Lung Image Database Consortium，LIDC）承认Enlitic检测结果的透明性。
与此同时，Enlitic在骨折检测上也取得了突破性的进展。
对于放射科医师来说，「骨折」非常常见但一直缺乏可靠的诊断方法，而且错误的诊断可能会导致不适当的骨骼愈合，给患者留下一辈子的骨骼对齐问题。传统骨骼CT的像素在4x4 至4,000x4,000之间，这大大限制了计算机视觉技术的应用。Enlitic在「骨折检测」上达到了0.97 AUC（AUC是预测建模精度的最常用的方法），顶尖的放射科专家为0.85 AUC，传统计算机视觉方法为0.71 AUC。并且，高精确度的前提下，Enlitic对骨折诊断的速度非常快，它进行上千个CT检测的所需要的时间比人类医生进行一次CT检测的所需的时间还要少。
「自从伦琴的X光线应用于医学后，我们还没有见过放射科有如此大的提升」。Rodney Sappington说，他是Enlitic放射科的副总裁。
看到这，大家可能会觉得熟悉，Enlitic和IBM的Watson 在医疗领域的应用有些相似，两者都是利用海量的医学数据来帮助医生进行疾病诊断，那么两者的区别在哪里？
对此，Jeremy Howard在2015年接受IDG采访中表示：「Enlitic和Watson有着非常相似的目标--都是利用计算机来改善现有医疗水平，让人们拥有更健康的生活。但Enlitic与IBM Watson朝着不同的方向前进：Watson通过吸收海量的医学书籍和期刊文献来试图构建有意义的联系。而Enlitic吸收海量的医疗数据，包括病患的就诊记录、报告、医学影像以及无穷尽的基因组数据。Enlitic通过『阅读』无数案例来掌握区分健康身体和疾病身体的能力。」
深度学习算法是基于类似人脑的神经网络来创造更深入的抽象视觉输入。虽然说深度学习和生物视觉很相似，但是它是对人脑进行了过度简化，因此它的能力更有限。「但目前来说，即使是世界顶级的算法也不具备『反思』和『思考』的能力，因为这两种特性不仅仅意味着出色的解决问题的能力，而且其背后是复杂的人类意识。」 Jeremy Howard说。深度学习仍然无法媲美人脑功能，人们对人工智能是否会替代人类医生的恐慌是出于对未来的忧虑，从目前来说，Enlitic深度学习功能是「增强智能」的体现，「放射科医师和Enlitic结合诊断的准确率要远远高于Enlitic本身。Enlitic诊断的结果是比放射科医师的准确率高，但是人和机器的结合会将诊断的准确率提高到前所未有的高度。」
目前，「数据」是制约Enlitic发展的最主要因素之一。
「深度学习通常需要两种数据：大量的数据，或是优质的数据。当然，最理想同时拥有这两种数据。因为当机器通过图像去了解这个世界时，拍摄的角度、光线、世界本身的复杂性和多变性都要求算法吸收大量的数据。相对而言，因为医疗影像的拍摄通常是受约束的，拍摄的角度、扫描仪会有固定的颜色、人体解剖结构也大体相似，所以医疗影像的多变性比较小。但我们也使用了我们能接触到的所有数据」， Jeremy Howard说。
一开始，Enlitic利用美国肺疾病筛查试验（National Lung Screening Trial）的公共数据来发展他们肺结节的「探测仪」。但是，数据缺乏仍然是他们最头疼的问题。为此，他们和澳大利亚公司Capitol Health进行合作。Capitol Health是澳大利亚放射科服务的提供商，它可以为Enlitic提供它所需的数据，并且可以为Enlitic提供临床验证的机会。但Enlitic现有深度学习方法并不适用于大型3D医学影像，比如3D的CT和MRI图像，「我们仍需要开发核心算法来解决这个问题」 Jeremy Howard说。
「想要让人工智能在医疗护理和放射科领域释放更多潜力，我们需要更多的数据分享。」Eliot L. Siegel 说，他是马里兰大学（University of Maryland School ）医学院的教授。他认为在很大程度上，医学数据因为隐私的顾虑而被限制分享，以致很多医疗服务提供商无法接触到数据。同时，一些医疗机构仍然把患者的数据看成它自己的专有资料，并且害怕承担分享数据的风险。
「我们都想要保护隐私和数据的安全性，但是我认为隐私和安全在临床研究上被过度夸大和过度阐释了。因此一些医院害怕承担分享数据的风险，即使分享数据无论是从患者的角度出发还是从医学研究上都是极其重要的。我们应该在立法上有些改进，能够让医疗机构知晓他们能够以安全可靠地方式分享数据。」
「我们一直在探索利用最先进的技术来为人类谋求福祉，比如说利用深度学习给医疗带来激进的突破。」 Peter H. Diamandis，Enlitic的顾问，奇点大学的联合创始人，「Enlitic的技术可以释放现有资源的力量，并且它能给成数十亿的人口带来他们目前所缺乏的医疗护理，这对发展中国家来说是极其重要的，能够有力地推动医疗资源的民主化。」
参考文献：
http://www.idgconnect.com/abstract/9573/deep-learning-diagnostic-healthcare-the-future
http://www.radiologytoday.net/archive/rt0516p12.shtml
http://www.enlitic.com/press-release-10272015.html
联系客服
