“都消失了。”Jeet Samarth Raut 的母亲在进行一次放射线扫描后听到这个好消息。
两周后,另一名医师的检查结果表示是乳癌。当然科技能做到更好的诊断水平,年轻的创业者利用 NVIDIA GPU 的深度学习软件来减少误诊的数量。
无论在 Raut 位于伊利诺州乡下的老家(也是他的母亲开始接受治疗和复原的地方)或是在开发中国家,扫描、认知和解读方面的错误不利于正确进行诊断。
Raut 和他的创业伙伴与哥伦比亚大学校友 Peter Wakahiu Njenga 共同在纽约创立了 Behold.ai这家新创公司,力图让医师从寻常的放射线影像资料找出疾病。
Behold.ai 创办人 Peter Wakahiu Njenga 与 Jeet Samarth Raut
“放射科医师在扫描结果上寻找病灶的痕迹,只是人工作业总是有犯错的机会。”多年来在史丹福大学语音学实验室、生命周期发展实验室及计算机与认知实验室担任研究助理的 Raut 说。
“计算机视觉很擅长这个部分,因此我们利用科技,从更大的资料组里汲取数据,更精准地进行诊断。”他说。
Behold.ai 的目标是打造一套能用于开发中、低所得,以及医疗服务不普及地区的携带式装置系统。
个人使命
Behold.ai 的软件加上神经网络架构和 NVIDIA GPU,训练计算机辨识和处理上千个现有的医疗影像,并且加上健康或发病的标签,系统取得放射科医师的意见来改善为更多样本加上标签的准确度。
Behold.ai 的软件为显示糖尿病视网膜病变的影像加上标签,而糖尿病视网膜病变是全球失明最高成因之一。
现场医师不用只靠训练和个人经验来找出发生病变的组织,而在解读磁振造影(MRIs)、计算机断层(CT)扫描和视网膜影像的视觉资料时,由计算机来协助进行大规模的视觉辨识工作,无论是身在难民营或偏远村落,技术人员皆能进行健康评估作业。
过去在 Facebook 进行机器学习项目的 Njenga 说:“我们的技术适用于开发中和低所得地区。病患可以为受感染的区域拍照,再跟相似影像的数据库进行比对、取得诊断结果并开始进行治疗。”
深度学习技术让梦想成真
病患在医疗影像中心进行扫描后,会由放射科医师对影像发表意见,也会将影像传送到 Behold.ai 的服务器。Behold.ai 的深度学习技术分析扫描图像以找出异常区域。经大型数据库训练过的 Behold.ai 模型为扫描影像加上标签、列出疾病,再传回给放射科医师。
Raut 说由两方解读医疗影像,有助于减少出现假阳性或假阴性的机会。
Behold.ai 采用称为卷积神经网络或 ConvNets 的人工神经网络,找出医疗影像里的异常之处。ConvNets 一名源自于大脑里如同莴苣般的视觉皮质层,专门用于进行影像处理工作,并且使用图型识别技术来区分物体。
Njenga 说:“我们利用高效能NVIDIA GPU 来加快进行大量平行运算作业。”编写 GPU 程序的优点使得 Behold.ai 建立一个拥有五千万个参数的深度 ConvNet。Njenga 说最底层的算法则是使用 NVIDIA 用于深度神经网络的 GPU 加速软件标准模块库“cuDNN”。
Behold.ai 正期望明年与一家知名医疗服务提供商合作试行其技术。