Merkezi San Francisco'da bulunan bir start-up şirketi olan Enlitic, 2014 yılında 2 milyon ABD Doları tutarında bir finansman turuyla kuruldu. Ekim 2015'te, bir Avustralya tıbbi görüntü teşhis hizmeti şirketi olan Capitol Health, Enlitic'in kötü huylu tümör tespit sistemini benimsediğini duyurdu. Bu, Enlitic'in sistemi ilk kez benimsendi. Aynı zamanda Capitol Health, Enlitic'e 10 milyon ABD doları yatırım yaptı.
Leifeng.com, Enlitic'in kendini teşhis tıbbında devrim yaratmaya adamış bir derin öğrenme şirketi olduğunu öğrendi. Enlitic'in yapay zeka algoritması, multidisipliner, uluslararası üne sahip veri bilimcileri, makine öğrenimi uygulayıcıları ve tıp uzmanlarından oluşan temel bir tasarımdır.MIT Technology Review tarafından iki yıl üst üste seçilen küresel yapay zeka şirketinde 35. (2015) ve 14. sırada yer almıştır ( 2016).
Şirket, tıbbi görüntülere, tıbbi sertifikalara ve klinik denemelere dayanan yapay zeka destekli teşhis araçlarına odaklanıyor ve radyologların iş verimliliğini artırmaya odaklanıyor. Geliştirdiği sistem esas olarak tıbbi görüntülerin veritabanını genişletmeyi amaçlamaktadır.Enlitic yazılımı, tıbbi görüntüleri paylaşmak veya görüntülemek için tıbbi kurumlar tarafından halihazırda kullanılmakta olan sistemlere eklenebilir, böylece doktorların ilgili görüntü verilerini kendilerinin bulması gerekmez.
Enlitic'in kurucusu ve CEO'su Jeremy Howard, bu yöntemi tıbbi verilerde madencilik yapmak ve tıp uzmanlarına kullanımı kolay uygulamalar sağlamak için kullanmayı umduğunu söyledi.
Leifeng.com, X ışınlarını örnek alarak Hastalık Kontrol ve Önleme Merkezlerinin (CDC) Amerika Birleşik Devletleri'nde her yıl yaklaşık 12,1 milyon insanın mamogram aldığını tahmin ettiğini, ancak Amerikan Kanser Derneği'nin (ACS) istatistiklerine göre, neredeyse hepsi Yarısının "yanlış pozitif" olduğundan şüpheleniliyor, bu da sağlıklı kadınların yarısına kanser olduğu söyleneceği anlamına geliyor. Çok sayıda kadın kesinlik için (yılda yaklaşık 1,6 milyon kişi) göğüs biyopsisi yaptırmayı seçiyor ve bunların% 20'si sağlıklı kadınlar ve doğru biyopsi sonuçları oranı sadece% 60-80.
X-ışını resimlerinin çözünürlüğü genellikle milyonlardır, ancak kötü huylu tümörlerin boyutu yalnızca onlarca pikseli kaplar. Nispi oranlar açısından kötü huylu tümörleri ayırt etmek oldukça zordur.
Radyologlar her zaman makinelerin yararlı olduğunu düşünmezler çünkü bilgisayar destekli tanı (CAD) kullanımı kolay değildir. Howard, bu modelin görüntüdeki noktaları yakalayabildiğini, ancak genellikle yanlış bir şekilde olumlu olduğunu söyledi. Bu nedenle, doktorlar genellikle yardımcı yazılım araçlarının saçma olduğunu ve Enlitic'in yapması gereken şeyin bu kavramı değiştirmek olduğunu düşünürler.
Enlitic'in kurucusu ve CEO'su Jeremy Howard, Enlitic, FastMail ve Optimal Decisions Group'un kurucusu ve CEO'sudur. Büyük veri rekabet platformu Kaggle'ın eski başkanı ve baş bilim insanıdır. Üniversite) En genç öğretim üyesi, 2014 Davos Forumu'nda açılış konuşması yapan genç bir küresel liderdir. TED konuşması "Öğrenebilen bilgisayarların harika ve korkunç etkileri" yaklaşık 2 milyon tıklama aldı ...
Açıkçası, boş bir insan. Jeremy Howard, daha fazla insanın derin öğrenme teknolojisini anlamasına ve kullanmasına izin vermek için kısa süre önce fast.ai adlı bir teknoloji paylaşım platformu oluşturdu. Platform, derin öğrenme teknolojisi hakkında ücretsiz olarak bir dizi video eğitimi sağlamakla kalmaz (örneğin, Jeremy Howard tarafından öğretilen "Kodlayıcılar İçin Pratik Derin Öğrenme" gibi), aynı zamanda uygulayıcıların ve kullanıcıların basit ve hızlı yazılım ürünleri geliştirmelerine doğrudan yardımcı olur.
X-ışını fotoğrafları ve CT tarama görüntülerinden kötü huylu tümörleri bulmak için görüntü tanıma yazılımı, derin öğrenme yöntemlerinden biri olan "Evrişimli Sinir Ağı (ConvNet)" kullanılarak geliştirilmiştir. ConvNet, radyografların kötü huylu tümörler ve tümör konumlarını kontrol ettiği çok sayıda tıbbi görüntü verisi üzerinde makine öğrenimi gerçekleştirir ve kötü huylu tümörlerin şeklini temsil eden "özellikleri" ve kötü huylu tümörlerin varlığını veya yokluğunu belirlemek için önemli olan "kalıpları" otomatik olarak özetler. ConvNet, görüntüde kötü huylu bir tümör olup olmadığını bilmek için bulunan modeli yeni bir tıbbi görüntüye uygular.
Sydney Morning Herald'ın bir önceki raporuna göre, Enlitic, insan doktorlar tarafından teşhis edilemeyen kanserlerin% 7'sinin teşhisi ve insan doktorlar tarafından% 66'ya varan kanser teşhisi oranı dahil olmak üzere, derin öğrenme teknolojisi sayesinde en iyi 4 radyologu geride bıraktı. Bu durumda Enlitic'in yanlış teşhis oranı sadece% 47'dir.
Nisan 2017'de, Çinli tıbbi yapay zeka teknoloji şirketi Paiyipai, "Paiyipai Tıbbi Zeka Araştırma Enstitüsü" nü resmen kurdu ve Enlitic, yapay zekanın tıbbi görüntülemede gerçek uygulamasını test etmek için onunla derinlemesine bir işbirliği yaptı. Leifeng.com'a göre, Çin ve Amerika Birleşik Devletleri'nin acil radyolog hizmetlerine ihtiyacı var. Radyologların yıllık büyüme oranları açısından bakıldığında, Amerika Birleşik Devletleri ve Çin sadece% 2,2 ve% 4,1'dir ve bu, tıbbi görüntüleme verilerine karşılık gelen% 63,1 ve% 30,0'lık hızlı büyüme oranlarının çok gerisindedir. Her yıl 300 milyon kişiyle tıbbi muayene pazarına katılan kullanıcı sayısı da sorunu güçlü bir şekilde göstermektedir.
Sağlık hizmetleri alanında otomatik teşhis teknolojisinin uygulanması giderek daha yaygın hale geliyor, ancak bu teknoloji gerçek operasyonda sorunsuz bir yol değil mi? Jeremy Howard, bu yıl Ocak ayında yaptığı bir röportajda, Enlitic'in sahada karşılaştığı bazı sorunlara yanıt verdi. Aşağıdaki röportajı kabul ederken verdiği yanıttır.
En büyük engellerden biri, eksiksiz bir veri setinin, yani çeşitli tıbbi testlerin, tıbbi müdahalelerin ve çok sayıda hasta tarafından belirli bir süre boyunca gerçekleştirilen tıbbi etkilerin kapsamlı bir veri setinin olmamasıdır. Sadece bu kadar büyük ölçekli eksiksiz bir veri setine dayanarak, basit birincil teşhis tahminlerinden ziyade gerçek tıbbi etkilere dayalı teşhis ve tedavi önerileri sağlamak için doğru bir derin öğrenme modeli oluşturabiliriz.
Bir diğer engel de bu alanda çalışan veri bilimcilerin eksikliğidir. Beni şaşırtan şey, şu anda reklam teknolojisi, ürün önerileri ve sosyal ağ gibi nispeten düşük etkiye sahip alanlarda çalışan çok sayıda seçkin bilim insanının bulunması. Aynı zamanda, çok sayıda derin öğrenme araştırmacısı, insanların karşılaştığı gerçek sorunları çözmek için teknolojiyi kullanmak yerine "beynin nasıl inşa edileceğine" odaklanıyor.
Bir diğer beklenmedik engel ise, tıp alanının çok alt bölümlere ayrılmış ve profesyonel olmasıdır, bu da bilimsel araştırma sonuçlarımızın belirli bir bölüm için geçerli olmasını sağlar, ancak daha genel tıbbi konularda etkili tavsiyeler sunmak zordur. Dolayısıyla geleneksel tıbbın alt bölümü ve uzmanlaşması da engellerden biridir.
Derin öğrenme teknolojisi, yapay zeka sistemlerini eğitmek için büyük verileri (tıbbi görüntüler gibi) kullanacak ve ardından yeni veriler hakkında analiz geri bildirimi vermesine izin verecektir. Derin öğrenme araçları sağlayan diğer şirketler arasında Clarifai, Ersatz Labs, Metamind, Nervana Systems ve Skymind bulunmaktadır.
Teknolojiden yoksun değil ve derin öğrenme hızla değişiyor. Belirli bir alanda, derin öğrenme teknolojisi birçok endüstride kullanılabilir, ancak aynı zamanda belirli bölgelerdeki ve belirli iş türlerindeki çalışanlar için bir uygulama olabilir. Howard, derin öğrenmenin olgunlaşmaya devam etmesinin mümkün olduğuna inanıyor.