奇点大学最年轻教职工、三家科技公司创始人，他如何用AI探索放射学里的人与

本篇文章2324字，读完约6分钟

总部位于美国旧金山的新兴公司Enlitic成立于2014年，Seed Wheel获得了200万美元的融资。2015年10月，澳大利亚医学影像诊断服务公司国会山健康公司宣布采用伊利克的恶性肿瘤检测系统。这是首次采用伊利克的系统。与此同时，凯德健康向英国慈善机构捐赠了1000万美元。

雷锋。com了解到enlitic是一家致力于创新诊断医学的深度学习公司。Enlitic的人工智能算法是一个由多学科、国际知名的数据科学家、机器学习从业者和医学专家组成的基本设计，在麻省理工学院技术评论杂志连续两年评选的全球人工智能公司中，分别排名第35位(2015年)和第14位(2016年)。

该公司专注于基于医学图像、诊断证书和临床试验的人工智能辅助诊断工具，并专注于提高放射科医生的工作效率。开发的系统主要是为了扩展医学图像的数据库，可以在医疗机构已经使用的系统中插入enlitic软件，以便共享或查看医学图像，这样医生就不必自己搜索相关的图像数据。

enlitic的创始人兼首席执行官杰瑞米·霍华德表示，希望这种方法能够用于挖掘医疗数据，并为医疗专业人员提供易于使用的应用程序。

用x光片很难鉴别恶性肿瘤。根据雷锋的资料，以x光片为例，根据疾控中心的资料，美国每年约有1210万人接受乳房x光检查，但根据美国癌症学会(acs)的统计，几乎有一半的人被怀疑为“假阳性”，即有一半的健康女性会被告知自己患有癌症。大量女性(每年约160万人)出于自信选择乳腺活检，其中20%属于健康女性，活检结果的正确率仅为60%-80%。

x光照片的分辨率通常在几百万左右，但恶性肿瘤的大小仅占几十个像素。从相对比例来看，很难区分恶性肿瘤。

放射科医生并不都认为机器有用，因为计算机辅助诊断(cad)不容易使用。霍华德说，这个模型可以捕捉图像中的斑点，但它经常被错误地显示为阳性。因此，医生们经常认为辅助软件工具是愚蠢的，伊利克需要做的是改变这种想法。

他是一个游手好闲的人杰瑞米·霍华德，enlitic的创始人兼首席执行官，Enlitc、fastmail和optimal decisions group的创始人兼首席执行官，大数据竞争平台kaggle的前董事长兼首席科学家。他是美国奇点大学最年轻的教职员工，也是2014年达沃斯论坛上发表主旨演讲的全球青年领袖。他在ted的演讲“计算机可以学习的奇妙而可怕的含义”获得了近200万点击量…

显然，他是一个游手好闲的人。为了让更多的人理解和使用深度学习技术，杰瑞米·霍华德最近创建了一个名为fast.ai的技术共享平台。该平台不仅免费提供一系列关于深度学习技术的视频教程(如杰瑞米·霍华德亲自讲授的“面向程序员的实用深度学习”)，还直接帮助实践者和用户开发简单快捷的软件产品。

英国的癌症检测系统比医生有更高的肺癌检出率。利用深层学习方法之一的Convnet (Convnet)，开发了从x光照片和ct扫描图像中发现恶性肿瘤的图像识别软件。Convnet对大量的医学图像数据进行机器学习，如有无恶性肿瘤和肿瘤的位置，这些数据已经过放射科医生的检查，并自动总结出代表恶性肿瘤形状的“特征”和注意哪些特征可以判断有无恶性肿瘤的“模式”。Convnet可以通过应用发现的模式来发现新的医学图像中是否存在恶性肿瘤。

根据《悉尼先驱晨报》此前的报道，伊利特凭借精深的学习技术超过了四大放射科医生，其中7%的癌症诊断是人类医生无法诊断的，而伊利特的误诊率只有47%，而人类医生的误诊率高达66%。

与医学摄影师合作，与中国健康体检中心合作，深化学习。2017年4月，中国医学人工智能技术有限公司在Be正式成立，并与其达成深入合作，以检验人工智能在医学影像中的实际应用。据雷Feng.com(公开号:雷锋网)介绍，中国和美国对放射科医生的需求非常迫切。美国和中国放射科医师的年增长率分别只有2.2%和4.1%，远远低于医学影像数据的63.1%和30.0%的高增长率。每年有3亿人参与体检市场，这也说明了这个问题。

在医疗保健领域，什么是启蒙运动的具体障碍？自动诊断技术在医疗领域得到了广泛的应用，但是这项技术在实际操作中不是一条平坦的道路吗？在今年1月的一次独家采访中，杰瑞米·霍华德回答了英国人在这一领域遇到的一些问题。以下是他在独家采访中的回应。

最大的障碍之一是缺乏完整的数据集，即大量患者在一段时间内进行各种医学检验、医学干预和医学效果的综合数据集。只有基于如此大规模和完整的数据集，我们才能建立一个准确的深度学习模型，并根据实际医疗效果提供诊断和治疗建议，而不是简单的初步诊断推测。

另一个障碍是缺乏在这个领域工作的数据科学家。令我惊讶的是，有大量杰出的科学家从事影响力相对较低的领域，如广告技术、产品建议和社交网络。与此同时，大量深入学习的研究者都在关注如何“建造大脑”，而不是用技术来解决人类面临的实际问题。

另一个意想不到的障碍是，医学领域过于细分和专业化，这使得我们的科研成果可能适用于某个部门，但很难就更普遍的医学问题提供有效的建议。因此，传统医学的细分化和专业化也是障碍之一。

深度学习技术将使用大数据(如医学图像)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包括clarifai、ersatzlabs、metamind、nervanasystems和skymind。

技术并不缺乏宣传，深度学习正在迅速改变。在某个空小时内，深度学习技术可以用于许多行业，但它也可能只适用于特定领域和特定工种的工人。霍华德认为深度学习有可能继续成熟。

雷锋原创文章。严禁擅自转载。详情请参考转载说明。