由于医生在为病人进行大肠镜检查的时候，有几率疏漏病人大肠中的息肉，因此Google使用机器学习，以改善大肠镜的检查结果。Google所开发的深度学习C2D2方法，可以通过捕捉图片深度，对大肠进行3D重建，显示已被检测与未被检测的部位，借此提升大肠检查覆盖率。而实验证明，机器学习能有效解决大肠镜筛检覆盖率（Coverage）不足的问题。
大肠癌目前是致死癌症的前几名，在台湾，大肠癌致死率是所有癌症的第3名，在美国则是排名第2的致死癌症，每年因大肠癌死亡的美国人达到90万人，而Google提到，在真正癌变之前，可以通过去除大肠中的息肉来预防大肠癌，且只要息肉检出率能提升1%，大肠癌的发生率就能降低6%。
大肠镜被列为移除息肉的黄金标准程序中，但文献指出，医生在进行大肠镜检查的时候，平均会漏掉22%到28%的息肉，而且会漏掉20%到24%可能会癌变的腺瘤（Adenoma）。主要原因有2个，有可能是虽然息肉出现在大肠镜的画面中，但是因为息肉形状扁平较小，导致医生漏看，另一种原因则可能医师在操作内视镜的时候，检测范围没有覆盖所有相关区域，导致息肉没有出现在视野中，医生也就无法发现所有息肉。
在Google发布的研究，期望利用深度学习算法C2D2，来解决大肠镜检查覆盖率不足的问题，而所谓的检测覆盖率，就是在检测过程中，涵盖了大肠相关区域的百分比，Google提到，比回顾性分析更有效果的方法，是直接在医生进行大肠镜检查时，能即时地提醒医生覆盖范围不足的部分，医生能够立即针对这些区块，再次进行检测，通过提高检测覆盖率，就有可能发现更多的息肉。
C2D2算法分为两部分，第1部分计算每一影格的深度图，计算深度图包括了深度估算以及姿势估算，也就是内视镜在空间中的位置和指向，而第2部分则是利用深度图计算覆盖率。为了从深度图计算出覆盖范围，Google使用合成以及真实两种视频资料训练C2D2，合成视频使用大肠的图像模型创建，而真实视频资料则使用去识别化的大肠镜检查视频，但这些真实视频没有覆盖范围资料。
Google请医生以及C2D2算法，同时对合成视频进行息肉检查，发现C2D2的平均绝对误差为0.075，而医生的平均绝对误差则为0.177，医生的平均绝对误差明显较大，C2D2的精确度是医生的2.4倍。
更为重要的是两者在真实大肠镜视频上的表现，不过，因为真实视频缺乏基准真相，因此不知道实际的覆盖范围，而且因为专家医生的精确度不足，所以也无法直接使用专家提供的标签，Google改变验证方法，让C2D2为真实视频产生覆盖分数，并且由专家评估分数的正确性，C2D2所产生的分数，专家认为有93%是正确的。
通过提醒医生疏漏的大肠壁范围，C2D2可让医生发现更多的腺瘤，间接降低大肠癌发生率，除了检查覆盖范围之外，Google也正在着手开发能够自动发现息肉的算法。