“没发现有阴影”。Jeet Samarth Raut 的母亲在一次放射扫描后听到了这一好消息。
两周后，另一位医师的检查结果显示，她得了乳腺癌。无可否认，科技可以让诊断更准确，年轻的创业者可以利用 NVIDIA GPU 驱动的深度学习软件来减少误诊。
无论是在 Raut 位于伊利诺伊州的老家（这也是他母亲开始治疗和康复的地方）还是在发展中国家，扫描、认知和解读中的错误都会影响诊断的准确性。
Raut 与他的创业伙伴兼哥伦比亚大学校友 Peter Wakahiu Njenga 共同在纽约创立了新公司 Behold.ai，力图让医生更容易从普通的放射影像数据中准确地识别疾病。
Behold.ai 创建者 Peter Wakahiu Njenga 与
Jeet Samarth Raut
在斯坦福大学语音实验室、寿命发展实验室、计算机与认知实验室担任助理研究员多年的 Raut 说：“放射医师在扫描结果中寻找病灶痕迹，但是人工作业总是有犯错的可能。”
他说：“计算机视觉在这方面可以做得很好，我们利用这一技术从更大的数据集中提取数据，使诊断更准确”。
Behold.ai 的目标是，打造一套适用于发展中地区、低收入地区和缺医少药地区的便携式系统。
个人使命
利用 Behold.ai 的软件加上神经网络架构和 NVIDIA GPU，对计算机进行训练，使其能够识别和处理现有的上千幅医学影像。系统吸取放射师的反馈意见，将这些影像标记为健康影像或疾病影像，提高标记众多影像的准确性。
Behold.ai 的软件为显示糖尿病视网膜病变
（这是全球导致失明的主要原因之一）的
影像添加了标记。
现场医生不再需要单纯地依靠其训练和个人经验来发现病变组织。在解读磁共振成像、电脑诊断扫描和视网膜图像的视觉数据时，借助计算机实现大规模的视觉识别工作，这样，无论身在难民营还是偏远村落，技术人员都可以进行健康评估。
曾在 Facebook 从事机器学习工作的 Njenga 说：“我们的技术适用于发展中地区和低收入地区”。“你可以将受感染部位的影像与相似影像的数据库进行对比，从而得出诊断结论并开始治疗。”
深度学习技术让梦想成真
患者在医学影像中心接受扫描之后，影像会交由放射医师查看，还会传送到 Behold.ai 的服务器。Behold.ai 的深度学习技术可以分析扫描影像，找出异常区域。然后，已利用大型数据集进行训练的 Behold.ai 模型为扫描影像加上标记，列出疾病，再传回给放射医师。
Raut 说，经过双方对医学影像的解读，可以减少误报和漏报的可能性。
Behold.ai 采用人工神经网络（又称卷积神经网络或 ConvNet）找出医学影像中的异常之处。ConvNet 的灵感来自于大脑的网格状视觉皮层，专用于影像处理，并采用模式识别技术来区分对象。
Njenga 说：“我们利用高性能的 NVIDIA GPU 来加快进行大量的并行运算作业”。利用 GPU 编程的进步，Behold.ai 建立了一个包含 5000 万个参数的深度 ConvNet。Njenga 说，基础算法采用 cuDNN，将 NVIDIA GPU 加速软件构建块的库用于深度神经网络。
Behold.ai 希望明年能与一家知名的医疗服务提供商合作试验其技术。