正文
但是，直到目前，大规模筛查的成本对于发展中国家来说还是过于高昂。总部设在华盛顿特区的粉红丝带红丝带预计，在非洲，只有5%的妇女接受过检查。
过去数十年间全世界所使用的传统筛查程序是：医疗工作者从宫颈细胞中提取样本（宫颈涂片检查），将样本送往实验室进行分析，之后等待结果。这一过程不仅昂贵，而且在道路崎岖、实验室缺乏的地方，需要花费数周的时间才能获得结果。虽然宫颈癌发展缓慢，但延迟治疗还是会导致严重后果。由于无法在同一天进行筛查和治疗，许多妇女永远无法获得所需的关怀。她们出于多种原因无法进行后续治疗：她们可能无法再次前往诊所，她们的丈夫可能表示反对，或者她们可能无法理解重返诊所的必要性。
挽救生命的突破发生在20世纪90年代。当时，研究人员发现，在子宫颈上涂抹乙酸（普通家用食醋的主要成分）会使癌前病变位置变为白色。于是医疗工作者就可以采用非常类似于皮肤科医生切除疣的方法，通过高温或者低温来破坏异常细胞。这一快速且相对无痛苦的处理能够使癌症停止发展——总花费不到20美元。（在富裕一些的国家，女性可选择对癌前病变进行长期监测或者进行更加彻底的外科手术，但在肯尼亚农村这类地区，这些选择通常都不太可行。）
许多发展中国家的诊所都开展了目视筛查项目，很可能已经挽救了成千上万条生命。然而，这一过程并不完善。一线医疗工作者需要经过培训和督导，才能分辨即将癌变的真正病变迹象和许多看似可疑实际上却是良性的病变情况。筛查人员也有可能遗漏掉晚期癌症的证据，而无法及时转给专家诊治。
Global Good的团队将这一情况视为软件工程挑战而非医疗挑战。在人眼需要帮助的领域，我们将借助由人工智能支撑的计算机视觉。
我们首先对阴道镜拍摄到的宫颈影像进行评估。
我们很快认识到，一般的计算机视觉软件无法处理这种复杂的大型数据集，因为这些影像拥有太多多变的特征。我们无法直接设计出可以彻底区分健康宫颈和存在病变迹象的宫颈的算法。
这一情况下，我们需要采用机器学习——这是计算机科学的一个分支。在机器学习中，计算机会被给予一个目标、一个软件框架以及一个大型训练数据集，之后就有待计算机自行创建出任务执行方案。
机器学习的一个常见类型依靠的是深度神经网络（DNN）。之所以这样命名，是因为该计算方案大致模仿大脑的互连神经元。每个计算节点都可以被视为接收了许多输入信息的神经元。人工神经元基于这些输入信息执行某些功能，之后输出一个可作为其他神经元输入信息的单一信号。通过安排多层相连的神经元，计算机科学家使这些网络能够处理极其复杂的任务。
