由於醫生在為病人進行大腸鏡檢查的時候，有機率疏漏病人大腸中的息肉，因此Google使
用機器學習，以改善大腸鏡的檢查結果。Google所開發的深度學習C2D2方法，可以透過捕
捉影像深度，對大腸進行3D重建，顯示已被檢測與未被檢測的部位，藉此提升大腸檢查覆
蓋率。而實驗證明，機器學習能有效解決大腸鏡篩檢覆蓋率（Coverage）不足的問題。

大腸癌目前是致死癌症的前幾名，在臺灣，大腸癌致死率是所有癌症的第3名，在美國則
是排名第2的致死癌症，每年因大腸癌死亡的美國人達到90萬人，而Google提到，在真正
癌變之前，可以透過去除大腸中的息肉來預防大腸癌，且只要息肉檢出率能提升1％，大
腸癌的發生率就能降低6％。

大腸鏡被列為移除息肉的黃金標準程序中，但文獻指出，醫生在進行大腸鏡檢查的時候，
平均會漏掉22％到28％的息肉，而且會漏掉20％到24％可能會癌變的腺瘤（Adenoma）。
主要原因有2個，有可能是雖然息肉出現在大腸鏡的畫面中，但是因為息肉形狀扁平較小
，導致醫生漏看，另一種原因則可能醫師在操作內視鏡的時候，檢測範圍沒有覆蓋所有相
關區域，導致息肉沒有出現在視野中，醫生也就無法發現所有息肉。

在Google發表的研究，期望利用深度學習演算法C2D2，來解決大腸鏡檢查覆蓋率不足的問
題，而所謂的檢測覆蓋率，就是在檢測過程中，涵蓋了大腸相關區域的百分比，Google提
到，比回顧性分析更有效果的方法，是直接在醫生進行大腸鏡檢查時，能即時地提醒醫生
覆蓋範圍不足的部分，醫生能夠立即針對這些區塊，再次進行檢測，透過提高檢測覆蓋率
，就有可能發現更多的息肉。

C2D2演算法分為兩部分，第1部分計算每一影格的深度圖，計算深度圖包括了深度估算以
及姿勢估算，也就是內視鏡在空間中的位置和指向，而第2部分則是利用深度圖計算覆蓋
率。為了從深度圖計算出覆蓋範圍，Google使用合成以及真實兩種影片資料訓練C2D2，合
成影片使用大腸的圖像模型創建，而真實影片資料則使用去識別化的大腸鏡檢查影片，但
這些真實影片沒有覆蓋範圍資料。

Google請醫生以及C2D2演算法，同時對合成影片進行息肉檢查，發現C2D2的平均絕對誤差
為0.075，而醫生的平均絕對誤差則為0.177，醫生的平均絕對誤差明顯較大，C2D2的精確
度是醫生的2.4倍。

更為重要的是兩者在真實大腸鏡影片上的表現，不過，因為真實影片缺乏基準真相，因此
不知道實際的覆蓋範圍，而且因為專家醫生的精確度不足，所以也無法直接使用專家提供
的標籤，Google改變驗證方法，讓C2D2為真實影片產生覆蓋分數，並且由專家評估分數的
正確性，C2D2所產生的分數，專家認為有93％是正確的。