随着人工智能技术研究的日益深入,其应用范围逐渐向各行各业不断延伸。近年来，计算机对图像的识别率得到了显著的提升，将人工智能技术应用到医学图像识别领域能为人们带来极大方便，韩国企业CIdi就是基于这一新颖想法成立的初创公司。

CIdi于2013年8月成立于首尔，2015年10月，Cldi更名为Lunit，缩写为学习单元(Learning unit)，其主要专业领域是处理医学影像数据，利用一种基于网络的医学图像诊断软件，通过尖端的深度学习技术进行医学影像数据分析和解释，整个过程不仅仅局限于诊断，在帮助医生做出准确、快速和有效的临床决策上也提供了极大帮助。

Anthony是Lunit的首席执行官兼联合创始人，2014年获得了韩国科学技术学院的电气工程博士学位。早在研究生学习期间，Anthony就组建了一个由学生组成的深度学习小组，成为后来Lunit公司成立的初始成员。Anthony是一个跨多学科的研究人员，在深度学习的图像识别领域和半导体设计等领域均拥有国际认证的专业证书。

动脉网了解到，作为一个人工智能医疗图像分析公司，Lunit通过其数据驱动成像生物标记物（DIB）算法来帮助医生做出更准确更有效的临床决策。

2016年11月27日至12月2日在伊利诺斯州芝加哥的McCormick地方会议中心举行的2016年北美放射学会（RSNA）年度会议上，Lunit首次展示其数据驱动成像生物标记物技术。

数据驱动成像生物标记物技术（Data-Driven Imaging Biomarker，DIB技术）是一种由人工智能驱动的视觉感知技术，这种技术是通过大规模医疗图像数据导出的成像生物标记物实现的。

DIB技术可以帮助计算机准确读取医学影像，将庞大的医学影像数据库与深度学习技术相结合，构建一个自动检测并诊断的先进算法，帮助用户快速扫描医学影像，准确获得诊断结果。

DIB技术来源于大规模医学图像数据中提取的成像生物标记物，在医生和深度学习技术之间建立一种合作伙伴关系。传统的计算机辅助检测（CAD）严重依赖于放射科医师的指导，而DIB技术通过运用深度卷积神经网络的特征学习能力，使软件系统从大规模数据中自动识别出重要的特征诊断结果。

通过不断摸索，Lunit将其独特的BID技术应用到医学影像处理模型中，实现了对胸部X光片、乳房X光片以及乳腺组织病理切片的高度识别。

胸部X光摄影术首次发明于1900年，作为一种最常见的诊断成像技术，主要用于评估肺部和心脏异常，辅助医生诊断和监测各种疾病（如肺炎、肺结核和肺癌）的治疗反应。胸部X光摄影术虽然是一项非常古老的技术，但却为医生做出临床决定提供了参考价值。

然而准确无误地解释胸部X光仍然是一项具有挑战性的任务。不可忽视的是，由于成像设备本身的内在局限性以及人类视觉系统的局限性，有相当数量的胸部X光片被医生误解最后误诊，导致患者病情加重，因此在对胸部X光片的诊断准确性和一致性方面仍有改进的余地。

Lunit的胸部X光摄影术利用BID技术来深入了解胸部X射线反映的病变情况，并设计出更好的病变计算机模型，通过深度学习不断训练该模型，提高胸部X射线整体诊断性能。

使用BID算法前后对比（胸部X线摄影术）

将DIB技术用于胸部X线摄影术作为一种“第二读取器”，用于检测和鉴别胸部X光反映的异常病变如:肺炎、肺气肿、弥散性肺疾病、肺结核、肺癌和肺转移，具有较高的诊断性能。DIB预计将帮助全科医生和放射科医师更有效、更准确地解释胸部X光片。

乳房X光摄影术于1965年首次提出，是筛检早期乳癌的主要成像方式，利用低剂量(约为 0.7X光)检查人类(主要是女性)的乳房，它能侦测各种乳房肿瘤、囊肿等病灶，有助于早期发现乳癌，并降低其死亡率。在世界各地的国家癌症筛查项目中均得到广范围的应用。乳房X光摄影术在提供更早的乳腺癌检测、评估乳腺癌的早晚期程度以及乳腺癌治疗反应检测等方面有着及其重要的作用。

乳房摄影术以游离性辐射穿透人体成像，由放射科医师分析影像是否有异常。虽然不断改良，乳房摄影术的伪阴性率(有癌症而未检出)至少有 10%，也有少数患者出现伪阳性(有异常，但非癌症)，因此导致的偏高的误判率在医学界引起了诸多不满。目前，乳房X线摄影术在其准确性方面远非完美，由于其在世界范围内的普遍使用，即使很小的改进也会使广大妇女受益。

Lunit引入先进的BID算法对乳房摄影图像进行精细的分析并开发出一款改进的恶性特征检测模型，显著减少假阴性和假阳性误诊结果。

使用BID算法前后对比（乳房X光摄影术）

DIB用于乳房X光摄影术的目的是提高乳腺癌的检出率，降低误诊率：1）检测和定位病变；2）为患者的乳腺影像报告和数据系统提供建议；3）预测病变为恶性的概率。

胸部X光摄影和乳房X光摄影用于疾病最初检测与筛查，乳腺组织病理切片评级是医学最终诊断结果的关键步骤。尽管病理学评级在诊断过程中起着很重要的作用，但该领域还是缺乏可量化的客观标准和详细的解释过程，而数字病理学的出现为解决该问题带来了希望。

Lunit在数字病理学研究上花费了不少财力和人力，为的是客观地解释组织样本中不同的形态学特征，并在提高组织病理学诊断的准确性、高效性和一致性上进行创新。Lunit致力于开发基于人工智能的最先进的诊断软件，对乳腺组织病理切片进行自动检测，对乳腺癌转移/扩散进行分类和阶段评估，帮助病理学家更好更快地做出决断。

2017年，Lunit引入了一种人工智能算法，可以实现对淋巴结中乳腺癌转移的自动检测和阶段评估，这是人类第一次尝试将特定的病理学任务从头到尾自动化。

当癌症首次被诊断出来时，第一个也是最重要的一步是对癌症分期， 国际TNM分期法是由“国际抗癌协会”制定的临床分期方法。TNM分期法从病理学上对癌症进行分类：以pTNM表示。对原发肿瘤(pT-stage)的病理诊断，需切除原发肿瘤或进行能最大范围地估计原发肿瘤的或组织检查。

对区域性淋巴结的病理诊断(pN-stage)，需清除足够数量的淋巴结，方能证实区域淋巴结的转移。对远处转移的病理诊断(pM-stage)，需作组织学检查。根据TNM分期，人们可以清楚地归纳出癌症患者的临床分期，判断预后，并指导医生为患者制订出相应的最佳治疗方案。

对区域性淋巴结的病理诊断（pN-stage：也就是判断乳腺癌是否已经扩散到淋巴结）这一诊断过程需要进行检查的图片数据量非常大，且图片的最高分辨率达到了200,000 × 100,000像素，这需要耗费病理学家大量的时间来对多个图片进行仔细审查，最后正确确定pN-stage。

Lunit运用其深度学习技术，开发出一种高度精确的pN-stage预测算法，该算法将多个淋巴结组织切片的肿瘤转移的检测和分类整合到一个临床结果中，使用来自Camelyon17数据集的淋巴结组织学图像来建立一个预测pN-stage的算法，该算法的性能水平超过了目前世界上大多的领先技术，其有可能显著提高病理学家的效率和诊断准确性。

Lunit于2017年再次回到RSNA，带着其最新的、基于云计算的人工智能实时图像分析平台一Lunit INSIGHT，这是该平台面向公众的首次现场演示。

Lunit的该实时成像平台是经过深度学习算法多次训练的。与Lunit合作的医院（总共18个）为其提供大量的非鉴定临床图片（总数高达100多万张高质量案例图像），有了给定的图像数据，该系统就会被训练用以检测目标疾病或影像学异常，包括胸部X光和乳房X光检查的肺癌、肺结核、肺炎、气胸和乳腺癌等。

Lunit INSIGHT目前在https://insight.lun.io/上向公众开放。用户上传他们的医疗诊断图像并能在几秒内接收该软件的AI分析结果，此外，在软件PACS查看器中包含了常见的其他功能，如对比度调整、图片放大/缩小等都是可用的。该软件目前已被整合到Nuance、EnvoyAI和Infinitt医疗公司等多个公司系统中进行可行性验证。

用于医学领域的技术的推广必须得到临床验证，Lunit的首席医疗官Suh表示：“关于Lunit的胸部X光和乳房X光检查解决方案的大规模、多中心的研究将在2018年初进行，预计在2018年末公布验证结果。我们还希望在2018年底申请到FDA关于胸部X光和乳房X光检查解决方案的批准。”

在利用该平台的人工智能模型对胸部X光图像已经进行的临床检测（主要包括胸部畸形、肺结节、肺部肿块、气胸）结果显示，其准确率达到了前所未有的高精度水平——独立完成结节检测准确率达97％，独立完成肺气肿和气胸检测准确率达99％。

根据国家肺部筛查试验（NLST），在肺癌筛查进行的最大的临床试验结果显示，有26.5%的肺癌病例被胸部X光漏查。全世界范围内每年会进行超过10亿次胸透检查，即使仅减少10%的癌症漏查率，也会转化为十分显著的临床效益。除了胸部X光和 乳房X光摄影术检测解决方案以外，Lunit还在研究数字乳腺断层摄影、胸部CT和冠状动脉CT血管造影术的解决方案。

Anthony：“Lunit的愿景是开发先进的、超越人类视野的医疗数据分析和解释软件，在推出Lunit INSIGHT之际，我们希望通过帮助医疗保健人员为患者提供更准确、更一致、更有效的临床决策，为开启医疗实践的新时代做出贡献。”

Lunit作为领先的国际医疗人工智能公司之一，Lunit的技术与其他类似公司的技术区别在于，它完全适应了弱标记的数据，在模式识别方面挑战了人类理解的极限。

Lunit的深度学习技术已经在国际上占有一席之地，在很多权威排名中都能见到其身影：

2016年肿瘤扩散评估挑战（TUPAC）中,  参与者被要求在三个不同情况下预测肿瘤扩散分数， LUNIT在三项任务中均取得第一名。超越了谷歌、IBM（国际商业机器公司）和微软等顶级公司。从13年成立至今共进行了三次融资，各次融资分别为351万美元、200万美元以及9.5万美元，由主要的风险投资公司Formation 8和SoftBank风险投资公司资助。

目前正与韩国KAIST大学及韩国国内五大医院进行各种大规模的研究合作，其行业竞争对手主要为Enlitic公司和Zebra Medical Vision 公司。