Después de que un paciente realiza un barrido con un enfoque de imágenes médicas, se envía para su auditoría a un radiólogo y, además, a los servidores de Home. La profunda innovación en el aprendizaje de Home desglosa los barridos para identificar inconsistencias. Los barridos se devuelven al radiólogo con etiquetas que publican las enfermedades creadas por los modelos de Home, que se han preparado en conjuntos de datos de mamut.
La lectura de las imágenes restaurativas en dos reuniones disminuye las probabilidades de falsos positivos o falsos negativos, dijo Raut.
Para reconocer variaciones de la norma en imágenes restaurativas, Home utiliza una clase de sistemas neuronales fabricados llamados sistemas neurales convolucionales, o ConvNets. Impulsados por la sección transversal como la corteza visual del cerebro, ConvNets son particulares para las empresas de manejo de imágenes y utilizan reconocimiento de diseño para realizar el orden de las preguntas.
“Equipamos el monstruoso paralelismo de las GPU NVIDIA superiores para acelerar el procedimiento”, dijo Njenga. Partes de imágenes médicas Avances en la programación de GPU facultaron a Home para tener una ConvNet profunda con 50 millones de parámetros. Los cálculos ocultos utilizan cuDNN, la biblioteca de programación acelerada por GPU de NVIDIA que dificulta los sistemas neuronales profundos, dijo Njenga.
Home espera pilotear su innovación dentro de un año con un proveedor de seguro social establecido.
