「都消失了。」Jeet Samarth Raut 的母親在進行一次放射線掃描後聽到這個好消息。
兩週後，另一名醫師的檢查結果表示是乳癌。當然科技能做到更好的診斷水準，年輕的創業者利用 NVIDIA GPU 的深度學習軟體來減少誤診的數量。
無論在 Raut 位於伊利諾州鄉下的老家（也是他的母親開始接受治療和復原的地方）或是在開發中國家，掃描、認知和解讀方面的錯誤不利於正確進行診斷。
Raut 和他的創業夥伴與哥倫比亞大學校友 Peter Wakahiu Njenga 共同在紐約創立了 Behold.ai 這家新創公司，力圖讓醫師從尋常的放射線影像資料找出疾病。
Behold.ai 創辦人 Peter Wakahiu Njenga 與 Jeet Samarth Raut
「放射科醫師在掃描結果上尋找病灶的痕跡，只是人工作業總是有犯錯的機會。」多年來在史丹福大學語音學實驗室、生命週期發展實驗室及電腦與認知實驗室擔任研究助理的 Raut 說。
「電腦視覺很擅長這個部分，因此我們利用科技，從更大的資料組裡汲取數據，更精準地進行診斷。」他說。
Behold.ai 的目標是打造一套能用於開發中、低所得，以及醫療服務不普及地區的攜帶式裝置系統。
個人使命
Behold.ai 的軟體加上神經網路架構和 NVIDIA GPU，訓練電腦辨識和處理上千個現有的醫療影像，並且加上健康或發病的標籤，系統取得放射科醫師的意見來改善為更多樣本加上標籤的準確度。
Behold.ai 的軟體為顯示糖尿病視網膜病變的影像加上標籤，
而糖尿病視網膜病變是全球失明最高成因之一。
現場醫師不用只靠訓練和個人經驗來找出發生病變的組織，而在解讀磁振造影（MRIs）、電腦斷層（CT）掃描和視網膜影像的視覺資料時，由電腦來協助進行大規模的視覺辨識工作，無論是身在難民營或偏遠村落，技術人員皆能進行健康評估作業。
過去在 Facebook 進行機器學習專案的 Njenga 說：「我們的技術適用於開發中和低所得地區。病患可以為受感染的區域拍照，再跟相似影像的資料庫進行比對、取得診斷結果並開始進行治療。」
深度學習技術讓夢想成真
病患在醫療影像中心進行掃描後，會由放射科醫師對影像發表意見，也會將影像傳送到 Behold.ai 的伺服器。Behold.ai 的深度學習技術分析掃描圖像以找出異常區域。經大型資料庫訓練過的 Behold.ai 模型為掃描影像加上標籤、列出疾病，再傳回給放射科醫師。
Raut 說由兩方解讀醫療影像，有助於減少出現假陽性或假陰性的機會。
Behold.ai 採用稱為卷積神經網路或 ConvNets 的人工神經網路，找出醫療影像裡的異常之處。ConvNets 一名源自於大腦裡如同萵苣般的視覺皮質層，專門用於進行影像處理工作，並且使用圖型識別技術來區分物體。
Njenga 說：「我們利用高效能NVIDIA GPU 來加快進行大量平行運算作業。」編寫 GPU 程式的優點使得 Behold.ai 建立一個擁有五千萬個參數的深度 ConvNet。Njenga 說最底層的演算法則是使用 NVIDIA 用於深度神經網路的 GPU 加速軟體標準模塊庫「cuDNN」。
Behold.ai 正期望明年與一家知名醫療服務提供商合作試行其技術。