對開發中國家的結核病患者而言，是否遇到能正確解讀胸部 X 光片的醫師，成為掌握他們生死的關鍵。數字顯示許多人原本還有機會活下去，卻因治療不當而喪命。
結核病超越 HIV/AIDS，成為舉世傳染力最強的致死疾病，世界衛生組織估算2015年有180萬人死於結核病，其中有 95% 的死亡患者居住在中低所得國家，這裡通常放射專科醫師的人數嚴重不足。
費城湯瑪士傑佛遜大學的兩名研究員企圖改變這個局面。放射學科助理教授 Paras Lakhani 與放射學科教授 Baskaran Sundaram，兩人結合自身對於胸部 X 光和深度學習的熱愛，說不定真有機會能遏止結核病的發病率。
「許多開發中國家缺乏資源來應付這些挑戰。」Lakhani 說。
深入鑽研人工智慧
幸運的是，Lakhani 兩年前決定深入鑽研深度學習，讓他激發出新的想法。他表示自己「真心著迷」於深度學習，閱讀了數百篇報告文獻後拿到一個 GPU 並打造他自己的機器。
接著他從美國國立衛生研究院、白俄羅斯結核病入口網站（Belarus Tuberculosis Portal）及湯瑪士傑佛遜大學醫院取得公開的結核病資料，以便開始測試模型。
在 NVIDIA TITAN X GPU 及 Caffe 深度學習框架、CUDA 及 cuDNN，還有 NVIDIA DIGITS 深度學習 GPU 訓練系統的輔助下，Lakhani 與 Sundaram 使用手邊的千餘件結核病圖片來訓練模型。
Lakhani 表示 GPU 模型的執行速度，比 CPU 模型在基準測試速度上，還要快上40倍。
這項成就使得開發中國家的醫療人員能夠上傳胸部 X 光、與 Lakhani 及 Sundaram 的模型進行比較，再精確地診斷異常之處。
不過在能做到這個水準之前，仍有許多難處尚待處理，像是胸部 X 光通常有 2,500 X 3,000 個像素，檔案相當龐大；加上 GPU 雖能處理這個程度的解析度，如此巨大的資料量對深度學習的模型來說，也是一大考驗。
Lakhani 表示他跟 Sundaram 不斷試驗各種解決之道，像是上傳部分比例異常部位的圖片，或是建立更深度的神經網路。
「我現在更明白如何調整這些超參數，從根本上建立更棒的模型。」Lakhani 說。
更多難題紛紛湧現
Lakhani 跟 Sundaram 兩個人還得應付更為棘手的難題：解析度縮小時，在最大的 X 光檔案裡顯而易見的細微之處，變得難以瞧出。
因此兩人致力於在解析度和資料量間取得平衡，他們的模型才能看到細微的結核病感染指標。
也就是說，Lakhani 明白這些模型的能力還是有限。
「我見過這麼多不易察覺的結核病例，還懷疑是否這麼大的模型真能羅列出所有感染指標。」他說。
Lakhani 與 Sundaram 還沒決定模型在完工後該如何運用，也沒有排除商業化的作法。
「我真的不知道該怎麼辦，才能為世人做到最完美的結果。有時候商業化是最理想的，這樣能讓眾人都使用到，而且能跟非營利組織合作。」Lakhani 說。
Lakhani 堅信的是他跟 Sundaram 合作進行的事，不會完全遏止結核病。他打算將所學用在類似的胸部 X 光相關問題上，像是胸部骨折、肺炎、肺部感染、心臟缺損及主動脈問題等。
精選圖片提供：Yale Rosen。授權方式：Creative Commons 2.0。