据国外媒体报道，机器在接管越来越多原来由人类完成的工作，检测疾病可能会是它下一个要接手的任务。一家名为Enlitic的新公司将目光对准了检查室，希望利用计算机来根据图像进行诊断。

　　Enlitic联合创始人兼CEO、数据挖掘创业公司Kaggle前总裁兼首席科学家杰里米·霍华德（Jeremy Howard）表示，公司的想法是，通过向计算机展示数百张X光片、MRI核磁共振图像、CT电脑断层扫描照和其它的胶片来教导它们如何识别不同的损伤、疾病和失调症。他相信，只要有足够多的经验，计算机就能够开始识别病患的问题，快速给医生标示图像供其探究。这可以让医生省去大量的图像研究分析工作。

　　机器学习

　　随着高性能计算机变得越来越先进，算法变得更善于教导计算机识别模式，机器学习近年的呈现爆发式的增长。近年来，部分机器学习项目寻求以软件或者硬件的形式模拟人脑的运作方式——这种做法被称作“深度学习”。举例来说，向计算机展示足够多的黄色出租车在街上行驶的，它就能够开始识别它们，辨别它们是在街上还是在别的地方行驶。这正是Enlitic要实施的研究策略。

　　但霍华德指出，虽然机器学习在计算机视觉上的应用已经取得了很大的进展，但它在医疗领域的应用仍非常滞后。

　　Enlitic的理念在于，给计算机展示足够多的疾病图像，如脑肿瘤，它就能够开始自动地给医生标出脑肿瘤所在。

　　霍华德指出，医疗状况的图像看起来通常都很一致，这应该有助于机器学习。黄色出租车可以出现在各种环境中，而胸部X光片的角度、位置和颜色看起来则基本一样。这可以简化识别图像之间的重要区别的过程，比如识别含有肿瘤的那张图像。

　　霍华德说，鉴于完成全面诊断远不止是要确定在图像中的搜寻目标，医生可能需要使用Enlitic来扫描不断更新的庞大数据库，获取特定方面的所有图像，如与特定病人的肝脏相似的所有肝脏图像。“我指的并不是像素类似的图像，而是根据深度学习算法得出类似的预期结果和有用干预措施的图像。”他说道。

　　机器学习技术最近的进展说明，理论上，计算机可以根据病患行为模式来获得有用信息——病痛中的病人的声音是怎样的，又或者伤口被触摸时病人是出现多大程度的畏缩。霍华德认为，最终，这种数据可能会结合Enlitic的计算机视觉技术使用，从而大大提高诊断的速度和准确性。

　　提高疾病检测效率

　　Enlitic要进入的领域并非未曾被探索。2011年，斯坦福大学的研究人员称，经他们训练过的计算机在分析乳腺癌的显微图像上比人类要准确。

　　此外，一些计算领域的巨擘也已经投入了相当多的资源去探索医疗领域。例如，IBM的超级电脑沃森（Watson）正帮助德州大学的马里兰安德森癌症研究中心对超过10万位病人的医疗图表和病史进行模式识别。微软也推出了InnerEye计算系统来分析医疗图像和识别病程进展。

　　目前，所有的那些机器都还需要人工操作，不过Enlitic希望它在研究的那些机器将能够大大提升疾病检测速度。

　　“我们并不是要替代放射科医师。”霍华德说道，“我们是想给予他们所需的信息，让他们能够将工作效率提高十倍。”