هذا منشور مدونة ضيف كتبه نيتين كومار، كبير علماء البيانات في شركة T and T Consulting Services, Inc.
في هذا المنشور، نناقش القيمة والتأثير المحتمل للتعلم الموحد في مجال الرعاية الصحية. يمكن أن يساعد هذا النهج مرضى السكتة الدماغية والأطباء والباحثين في التشخيص بشكل أسرع، واتخاذ قرارات غنية، وإجراء أبحاث أكثر استنارة وشمولية حول المشكلات الصحية المتعلقة بالسكتة الدماغية، باستخدام نهج سحابي أصلي مع خدمات AWS لتحسين الوزن والاعتماد المباشر .
تحديات التشخيص مع السكتات الدماغية
الاحصائيات من مراكز السيطرة على الأمراض والوقاية منها تظهر (مراكز السيطرة على الأمراض والوقاية منها) أنه كل عام في الولايات المتحدة، يعاني أكثر من 795,000 شخص من السكتة الدماغية الأولى، وحوالي 25٪ منهم يتعرضون لنوبات متكررة. وهو السبب الخامس للوفاة وفقا ل رابطة الجلطة الأمريكية والسبب الرئيسي للإعاقة في الولايات المتحدة. لذلك، من الضروري أن يكون لديك تشخيص وعلاج سريع لتقليل تلف الدماغ والمضاعفات الأخرى لدى مرضى السكتة الدماغية الحادة.
تعد الأشعة المقطعية والتصوير بالرنين المغناطيسي هي المعيار الذهبي في تقنيات التصوير لتصنيف الأنواع الفرعية المختلفة من السكتات الدماغية وهي ضرورية أثناء التقييم الأولي للمرضى وتحديد السبب الجذري والعلاج. أحد التحديات الحاسمة هنا، خاصة في حالة السكتة الدماغية الحادة، هو وقت التشخيص التصويري، والذي يتراوح في المتوسط من 30 دقيقة حتى ساعة ويمكن أن تكون أطول بكثير اعتمادًا على ازدحام قسم الطوارئ.
يحتاج الأطباء والطاقم الطبي إلى تشخيص صوري سريع ودقيق لتقييم حالة المريض واقتراح خيارات العلاج. في كلمات الدكتور فيرنر فوجلز الخاصة في AWS إعادة: اختراع 2023"كل ثانية يصاب فيها الشخص بسكتة دماغية تعتبر هامة." يمكن أن يفقد ضحايا السكتة الدماغية حوالي 1.9 مليار خلية عصبية في كل ثانية لا يتم علاجهم فيها.
قيود البيانات الطبية
يمكنك استخدام التعلم الآلي (ML) لمساعدة الأطباء والباحثين في مهام التشخيص، وبالتالي تسريع العملية. ومع ذلك، فإن مجموعات البيانات اللازمة لبناء نماذج تعلم الآلة وإعطاء نتائج موثوقة موجودة في صوامع عبر أنظمة ومؤسسات الرعاية الصحية المختلفة. هذه البيانات القديمة المعزولة لديها القدرة على إحداث تأثير هائل إذا تراكمت. فلماذا لم يتم استخدامه حتى الآن؟
هناك تحديات متعددة عند العمل مع مجموعات بيانات المجال الطبي وبناء حلول تعلم الآلة، بما في ذلك خصوصية المريض وأمن البيانات الشخصية وبعض القيود البيروقراطية وقيود السياسة. بالإضافة إلى ذلك، تعمل المؤسسات البحثية على تشديد ممارسات تبادل البيانات الخاصة بها. وتمنع هذه العقبات أيضًا فرق البحث الدولية من العمل معًا على مجموعات بيانات متنوعة وغنية، والتي يمكن أن تنقذ الأرواح وتمنع الإعاقات التي يمكن أن تنجم عن السكتات القلبية، من بين فوائد أخرى.
السياسات واللوائح مثل تنظيم حماية البيانات عام (اللائحة العامة لحماية البيانات)، قانون التأمين الصحي وقابلية التأمين (هيبا)، و قانون خصوصية المستهلك في كاليفورنيا (CCPA) تضع حواجز على تبادل البيانات من المجال الطبي، وخاصة بيانات المرضى. بالإضافة إلى ذلك، غالبًا ما تكون مجموعات البيانات في المعاهد والمنظمات والمستشفيات الفردية صغيرة جدًا، أو غير متوازنة، أو ذات توزيع متحيز، مما يؤدي إلى قيود تعميم النموذج.
التعلم الموحد: مقدمة
التعلم الموحد (FL) هو شكل لامركزي من تعلم الآلة - وهو نهج هندسي ديناميكي. في هذا النهج اللامركزي لتعلم الآلة، تتم مشاركة نموذج تعلم الآلة بين المؤسسات للتدريب على مجموعات فرعية من البيانات الخاصة، على عكس التدريب المركزي التقليدي على تعلم الآلة، حيث يتدرب النموذج بشكل عام على مجموعات البيانات المجمعة. تظل البيانات محمية خلف جدران الحماية الخاصة بالمؤسسة أو VPC، بينما تتم مشاركة النموذج مع بيانات التعريف الخاصة به.
في مرحلة التدريب، يتم نشر نموذج FL العالمي ومزامنته بين وحدات الوحدة للتدريب على مجموعات البيانات الفردية، ويتم إرجاع نموذج تدريب محلي. النموذج العالمي النهائي متاح للاستخدام في عمل تنبؤات للجميع من بين المشاركين، ويمكن استخدامه أيضًا كقاعدة لمزيد من التدريب لبناء نماذج مخصصة محلية للمؤسسات المشاركة. ومن الممكن أن يمتد ليستفيد من معاهد أخرى. يمكن لهذا النهج أن يقلل بشكل كبير من متطلبات الأمن السيبراني للبيانات أثناء النقل عن طريق إزالة الحاجة إلى نقل البيانات خارج حدود المؤسسة على الإطلاق.
يوضح الرسم التخطيطي التالي نموذج معماري.
في الأقسام التالية، نناقش كيف يمكن أن يساعد التعلم الموحد.
الاتحاد يتعلم لإنقاذ اليوم (وإنقاذ الأرواح)
للحصول على ذكاء اصطناعي جيد (AI)، تحتاج إلى بيانات جيدة.
تشكل الأنظمة القديمة، والتي توجد بشكل متكرر في المجال الفيدرالي، تحديات كبيرة في معالجة البيانات قبل أن تتمكن من استخلاص أي معلومات استخباراتية أو دمجها مع مجموعات بيانات أحدث. وهذا يشكل عقبة أمام توفير معلومات استخباراتية قيمة للقادة. يمكن أن يؤدي ذلك إلى اتخاذ قرارات غير دقيقة لأن نسبة البيانات القديمة تكون في بعض الأحيان أكثر قيمة مقارنة بمجموعة البيانات الصغيرة الأحدث. أنت تريد حل هذا الاختناق بفعالية ودون أعباء عمل جهود الدمج والتكامل اليدوية (بما في ذلك عمليات رسم الخرائط المرهقة) لمجموعات البيانات القديمة والأحدث الموجودة عبر المستشفيات والمعاهد، والتي قد تستغرق عدة أشهر - إن لم يكن سنوات، في كثير من الحالات. تعتبر البيانات القديمة ذات قيمة كبيرة لأنها تحتوي على معلومات سياقية مهمة مطلوبة لاتخاذ قرارات دقيقة وتدريب نموذجي مستنير، مما يؤدي إلى ذكاء اصطناعي موثوق به في العالم الحقيقي. تبلغ مدة البيانات عن الاختلافات والأنماط طويلة المدى في مجموعة البيانات والتي قد لا يتم اكتشافها لولا ذلك وتؤدي إلى تنبؤات متحيزة وغير مستنيرة.
إن كسر صوامع البيانات هذه لتوحيد الإمكانات غير المستغلة للبيانات المتناثرة يمكن أن ينقذ ويغير حياة الكثيرين. ويمكنه أيضًا تسريع الأبحاث المتعلقة بقضايا الصحة الثانوية الناشئة عن السكتات القلبية. يمكن أن يساعدك هذا الحل في مشاركة الرؤى من البيانات المعزولة بين المعاهد بسبب السياسة وأسباب أخرى، سواء كنت مستشفى أو معهد أبحاث أو مؤسسات أخرى تركز على البيانات الصحية. يمكن أن يتيح اتخاذ قرارات مستنيرة بشأن اتجاه البحث وتشخيصه. بالإضافة إلى ذلك، فإنه يؤدي إلى مستودع مركزي للاستخبارات عبر قاعدة معرفية آمنة وخاصة وعالمية.
يتمتع التعلم الموحد بالعديد من الفوائد بشكل عام وخاصة فيما يتعلق بإعدادات البيانات الطبية.
ميزات الأمان والخصوصية:
- يحافظ على البيانات الحساسة بعيدًا عن الإنترنت ويستمر في استخدامها لتعلم الآلة، ويسخر ذكاءها مع الخصوصية التفاضلية
- يمكّنك من إنشاء نماذج قوية وغير متحيزة وتدريبها ونشرها ليس فقط عبر الأجهزة ولكن أيضًا عبر الشبكات، دون أي مخاطر على أمن البيانات
- التغلب على العقبات التي يواجهها العديد من البائعين الذين يديرون البيانات
- يلغي الحاجة إلى مشاركة البيانات عبر المواقع والحوكمة العالمية
- يحافظ على الخصوصية مع الخصوصية التفاضلية ويوفر حسابًا آمنًا متعدد الأطراف مع التدريب المحلي
تطوير الأداء:
- يعالج مشكلة صغر حجم العينة في مجال التصوير الطبي وعمليات وضع العلامات المكلفة
- يوازن توزيع البيانات
- يمكّنك من دمج معظم أساليب ML والتعلم العميق (DL) التقليدية
- يستخدم مجموعات الصور المجمعة للمساعدة في تحسين القوة الإحصائية، والتغلب على قيود حجم العينة للمؤسسات الفردية
فوائد المرونة:
- إذا قرر أي طرف المغادرة، فلن يعيق التدريب
- يمكن لمستشفى أو معهد جديد الانضمام في أي وقت؛ لا يعتمد على أي مجموعة بيانات محددة مع أي مؤسسة عقدة
- ليست هناك حاجة إلى خطوط أنابيب واسعة النطاق لهندسة البيانات للبيانات القديمة المنتشرة عبر مواقع جغرافية واسعة النطاق
يمكن أن تساعد هذه الميزات في إزالة الجدران بين المؤسسات التي تستضيف مجموعات بيانات معزولة في مجالات مماثلة. يمكن أن يصبح الحل مضاعفًا للقوة من خلال تسخير القوى الموحدة لمجموعات البيانات الموزعة وتحسين الكفاءة من خلال إجراء تحويل جذري لجانب قابلية التوسع دون رفع البنية التحتية الثقيلة. يساعد هذا النهج تعلم الآلة على الوصول إلى إمكاناته الكاملة، ليصبح بارعًا على المستوى السريري وليس فقط على مستوى البحث.
يتمتع التعلم الموحد بأداء مماثل لتعلم الآلة العادي، كما هو موضح في ما يلي تجربة بواسطة NVidia Clara (في Medical Modal ARchive (MMAR) باستخدام مجموعة بيانات BRATS2018). هنا، حقق FL أداء تجزئة مشابهًا مقارنة بالتدريب باستخدام البيانات المركزية: أكثر من 80% مع ما يقرب من 600 حقبة أثناء التدريب على مهمة تجزئة ورم الدماغ متعددة الوسائط ومتعددة الفئات.
تم اختبار التعلم الموحد مؤخرًا في عدد قليل من المجالات الطبية الفرعية لحالات الاستخدام بما في ذلك تعلم تشابه المريض، وتعلم تمثيل المريض، والتنميط الظاهري، والنمذجة التنبؤية.
مخطط التطبيق: التعلم الموحد يجعل الأمر ممكنًا ومباشرًا
للبدء في استخدام FL، يمكنك الاختيار من بين العديد من مجموعات البيانات عالية الجودة. على سبيل المثال، تتضمن مجموعات البيانات التي تحتوي على صور الدماغ أبيد (مبادرة تبادل بيانات تصوير دماغ التوحد)، أدني (مبادرة التصوير العصبي لمرض الزهايمر)، رسنا (الجمعية الإشعاعية لأمريكا الشمالية) التصوير المقطعي المحوسب للدماغ، براتس (معيار تجزئة صورة ورم الدماغ المتعدد الوسائط) يتم تحديثه بانتظام لتحدي تجزئة ورم الدماغ ضمن جامعة بنسلفانيا (جامعة بنسلفانيا)، البنك الحيوي في المملكة المتحدة (مغطى في المعاهد الوطنية للصحة التالية ورقة)، و تاسعا. وبالمثل بالنسبة لصور القلب، يمكنك الاختيار من بين العديد من الخيارات المتاحة للجمهور، بما في ذلك ACDC (تحدي التشخيص التلقائي للقلب)، وهي عبارة عن مجموعة بيانات لتقييم التصوير بالرنين المغناطيسي للقلب مع شرح كامل مذكور من قبل المكتبة الوطنية للطب في ما يلي ورقةو M&M (متعدد المراكز، ومتعدد البائعين، ومتعدد الأمراض) تحدي تجزئة القلب المذكور في ما يلي IEEE الورق.
الصور التالية تظهر أ خريطة تداخل الآفة الاحتمالية للآفات الأولية من مجموعة بيانات ATLAS R1.1. (السكتات الدماغية هي واحدة من الأسباب الأكثر شيوعا لآفات الدماغ وفقا ل كليفلاند كلينيك.)
بالنسبة لبيانات السجلات الصحية الإلكترونية (EHR)، تتوفر بعض مجموعات البيانات التي تتبع موارد التشغيل البيني للرعاية الصحية السريعة (فير) القياسية. يساعدك هذا المعيار على إنشاء برامج تجريبية مباشرة عن طريق إزالة بعض التحديات مع مجموعات البيانات غير المتجانسة وغير المقيسة، مما يسمح بتبادل مجموعات البيانات ومشاركتها وتكاملها بشكل سلس وآمن. يتيح FHIR أقصى قدر من إمكانية التشغيل البيني. تتضمن أمثلة مجموعة البيانات تقليد-رابعا (سوق المعلومات الطبية للعناية المركزة). تشمل مجموعات البيانات الأخرى عالية الجودة التي ليست FHIR حاليًا ولكن يمكن تحويلها بسهولة مراكز الرعاية الطبية والخدمات الطبية (CMS) وملفات الاستخدام العام (PUF) و قاعدة بيانات البحوث التعاونية eICU من معهد ماساتشوستس للتكنولوجيا (معهد ماساتشوستس للتكنولوجيا). هناك أيضًا موارد أخرى أصبحت متاحة والتي تقدم مجموعات البيانات المستندة إلى FHIR.
يمكن أن تتضمن دورة حياة تنفيذ لغة البرمجة ما يلي سلم: تهيئة المهام، والاختيار، والتكوين، والتدريب النموذجي، والتواصل بين العميل والخادم، والجدولة والتحسين، والإصدار، والاختبار، والنشر، والإنهاء. هناك العديد من الخطوات التي تستغرق وقتًا طويلاً والتي تستغرق وقتًا طويلاً في إعداد بيانات التصوير الطبي للتعلم الآلي التقليدي، كما هو موضح في ما يلي ورقة. قد تكون هناك حاجة إلى معرفة المجال في بعض السيناريوهات للمعالجة المسبقة لبيانات المرضى الأولية، خاصة بسبب طبيعتها الحساسة والخاصة. يمكن دمجها وإزالتها أحيانًا في حالة FL، مما يوفر الوقت الحاسم للتدريب ويوفر نتائج أسرع.
تطبيق
لقد تطورت أدوات ومكتبات لغة البرمجة (FL) بدعم واسع النطاق، مما يجعل من السهل استخدام لغة البرمجة (FL) دون رفع النفقات العامة الثقيلة. هناك الكثير من الموارد الجيدة وخيارات إطار العمل المتاحة للبدء. يمكنك الرجوع إلى ما يلي قائمة واسعة من الأطر والأدوات الأكثر شعبية في مجال FL، بما في ذلك بايسيفت, FedML, زهرة, برنامج OpenFL, مصير, اتحاد TensorFlowو NVFlare. فهو يوفر قائمة بالمشاريع للمبتدئين للبدء بسرعة والبناء عليها.
يمكنك تنفيذ نهج سحابي أصلي باستخدام الأمازون SageMaker الذي يعمل بسلاسة مع نظير AWS VPC، والحفاظ على تدريب كل عقدة في شبكة فرعية خاصة في VPC الخاصة بها وتمكين الاتصال عبر عناوين IPv4 الخاصة. وعلاوة على ذلك، استضافة النموذج على أمازون سيج ميكر جومب ستارت يمكن أن يساعد من خلال الكشف عن واجهة برمجة تطبيقات نقطة النهاية دون مشاركة أوزان النماذج.
كما أنه يزيل تحديات الحوسبة المحتملة عالية المستوى مع الأجهزة المحلية الأمازون الحوسبة المرنة السحابية موارد (أمازون EC2). يمكنك تنفيذ عميل FL والخوادم على AWS باستخدام دفاتر SageMaker و خدمة تخزين أمازون البسيطة (Amazon S3)، حافظ على الوصول المنظم إلى البيانات والنموذج باستخدام إدارة الهوية والوصول AWS (IAM) الأدوار والاستخدام خدمة رمز الأمان من AWS (AWS STS) للأمان من جانب العميل. يمكنك أيضًا إنشاء نظامك المخصص لفلوريدا باستخدام Amazon EC2.
للحصول على نظرة عامة مفصلة عن تنفيذ FL مع زهرة راجع إطار عمل SageMaker، ومناقشة اختلافه عن التدريب الموزع التعلم الآلي باستخدام بيانات التدريب اللامركزية باستخدام التعلم الموحد على Amazon SageMaker.
توضح الأشكال التالية بنية نقل التعلم في فلوريدا.
معالجة تحديات بيانات فلوريدا
يأتي التعلم الموحد مصحوبًا بتحديات البيانات الخاصة به، بما في ذلك الخصوصية والأمان، ولكن من السهل معالجتها. أولاً، تحتاج إلى معالجة مشكلة عدم تجانس البيانات من خلال بيانات التصوير الطبي الناشئة عن البيانات المخزنة عبر مواقع مختلفة ومنظمات مشاركة، والمعروفة باسم تحول المجال مشكلة (يشار إليها أيضًا باسم تحول العميل في نظام FL)، كما أبرزه Guan وLiu في ما يلي ورقة. وهذا يمكن أن يؤدي إلى اختلاف في تقارب النموذج العالمي.
وتشمل المكونات الأخرى التي يجب مراعاتها ضمان جودة البيانات وتوحيدها في المصدر، ودمج معرفة الخبراء في عملية التعلم لبث الثقة في النظام بين المهنيين الطبيين، وتحقيق دقة النموذج. لمزيد من المعلومات حول بعض التحديات المحتملة التي قد تواجهها أثناء التنفيذ، راجع ما يلي ورقة.
تساعدك AWS على حل هذه التحديات من خلال ميزات مثل الحوسبة المرنة لـ Amazon EC2 والمصممة مسبقًا صور عامل الميناء في SageMaker للنشر المباشر. يمكنك حل المشكلات من جانب العميل مثل البيانات غير المتوازنة وموارد الحساب لكل مؤسسة عقدة. يمكنك معالجة مشكلات التعلم من جانب الخادم مثل هجمات التسمم من الأطراف الضارة باستخدام سحابة أمازون الافتراضية الخاصة (أمازون VPC) ، مجموعات الأمان، ومعايير الأمان الأخرى، ومنع فساد العميل وتنفيذ خدمات AWS للكشف عن الحالات الشاذة.
تساعد AWS أيضًا في مواجهة تحديات التنفيذ في العالم الحقيقي، والتي يمكن أن تشمل تحديات التكامل، ومشكلات التوافق مع أنظمة المستشفيات الحالية أو القديمة، وعقبات اعتماد المستخدم، من خلال تقديم حلول تقنية رفع مرنة وسهلة الاستخدام وسهلة.
باستخدام خدمات AWS، يمكنك تمكين الأبحاث واسعة النطاق المستندة إلى لغة البرمجة والتنفيذ والنشر السريري، والتي يمكن أن تتكون من مواقع مختلفة في جميع أنحاء العالم.
تسلط السياسات الحديثة بشأن قابلية التشغيل البيني الضوء على الحاجة إلى التعلم الموحد
تتضمن العديد من القوانين التي أقرتها الحكومة مؤخرًا التركيز على قابلية التشغيل البيني للبيانات، مما يعزز الحاجة إلى قابلية التشغيل البيني للبيانات من أجل الاستخبارات. يمكن تحقيق ذلك باستخدام FL، بما في ذلك أطر عمل مثل تيفكا (إطار التبادل الموثوق به والاتفاقية المشتركة) والموسعة USCDI (البيانات الأساسية للولايات المتحدة لقابلية التشغيل البيني).
وتساهم الفكرة المقترحة أيضًا في مبادرة الالتقاط والتوزيع الخاصة بمراكز السيطرة على الأمراض والوقاية منها مركز السيطرة على الأمراض المضي قدما. الاقتباس التالي من مقالة GovCIO تعد مشاركة البيانات والذكاء الاصطناعي من أهم أولويات وكالة الصحة الفيدرالية في عام 2024 يردد أيضًا موضوعًا مشابهًا: "يمكن لهذه القدرات أيضًا دعم الجمهور بطريقة عادلة، ومقابلة المرضى أينما كانوا وفتح الوصول الحيوي إلى هذه الخدمات. الكثير من هذا العمل يعتمد على البيانات."
يمكن أن يساعد ذلك المعاهد والوكالات الطبية في جميع أنحاء البلاد (وفي جميع أنحاء العالم) في صوامع البيانات. يمكنهم الاستفادة من التكامل السلس والآمن وقابلية التشغيل البيني للبيانات، مما يجعل البيانات الطبية قابلة للاستخدام للتنبؤات المؤثرة القائمة على التعلم الآلي والتعرف على الأنماط. يمكنك البدء بالصور، ولكن هذا النهج ينطبق على جميع السجلات الصحية الإلكترونية أيضًا. الهدف هو العثور على أفضل نهج لأصحاب المصلحة في البيانات، من خلال مسار سحابي أصلي لتطبيع البيانات وتوحيدها أو استخدامها مباشرة لFL.
دعنا نستكشف مثالاً لحالة الاستخدام. وتنتشر بيانات وفحوصات تصوير ضربات القلب في جميع أنحاء البلاد والعالم، وتجلس في صوامع معزولة في المعاهد والجامعات والمستشفيات، وتفصل بينها حدود بيروقراطية وجغرافية وسياسية. لا يوجد مصدر مجمع واحد ولا توجد طريقة سهلة للمهنيين الطبيين (غير المبرمجين) لاستخلاص الأفكار منه. في الوقت نفسه، ليس من الممكن تدريب نماذج التعلم الآلي والتعلم المباشر على هذه البيانات، مما قد يساعد المتخصصين الطبيين على اتخاذ قرارات أسرع وأكثر دقة في الأوقات الحرجة عندما يمكن أن تستغرق عمليات فحص القلب ساعات حتى تأتي بينما يمكن أن تكون حياة المريض معلقة. توازن.
وتشمل حالات الاستخدام الأخرى المعروفة القدور (شراء نظام التتبع عبر الإنترنت) على المعاهد الوطنية للصحة (المعاهد الوطنية للصحة) والأمن السيبراني لاحتياجات حلول الاستخبارات المتفرقة والمتدرجة في مواقع COMCOMs/MAJCOMs في جميع أنحاء العالم.
وفي الختام
يحمل التعلم الموحد وعدًا كبيرًا لتحليلات وذكاء بيانات الرعاية الصحية القديمة. من السهل تنفيذ حل سحابي أصلي مع خدمات AWS، كما أن FL مفيد بشكل خاص للمؤسسات الطبية التي لديها بيانات قديمة وتحديات تقنية. يمكن أن يكون لFL تأثير محتمل على دورة العلاج بأكملها، والآن أكثر من ذلك مع التركيز على قابلية التشغيل البيني للبيانات من المنظمات الفيدرالية الكبيرة والقادة الحكوميين.
يمكن أن يساعدك هذا الحل في تجنب إعادة اختراع العجلة واستخدام أحدث التقنيات لتحقيق قفزة من الأنظمة القديمة وتكون في الطليعة في عالم الذكاء الاصطناعي المتطور باستمرار. يمكنك أيضًا أن تصبح قائدًا لأفضل الممارسات ونهجًا فعالاً لقابلية التشغيل البيني للبيانات داخل وعبر الوكالات والمعاهد في المجال الصحي وخارجه. إذا كنت معهدًا أو وكالة تمتلك صوامع بيانات منتشرة في جميع أنحاء البلاد، فيمكنك الاستفادة من هذا التكامل السلس والآمن.
المحتوى والآراء الواردة في هذا المنشور تخص مؤلف الطرف الثالث ولا تتحمل AWS مسؤولية محتوى هذا المنشور أو دقته. تقع على عاتق كل عميل مسؤولية تحديد ما إذا كان خاضعًا لقانون HIPAA، وإذا كان الأمر كذلك، فما هي أفضل طريقة للامتثال لقانون HIPAA ولوائحه التنفيذية. قبل استخدام AWS فيما يتعلق بالمعلومات الصحية المحمية، يجب على العملاء إدخال ملحق AWS Business Associate (BAA) واتباع متطلبات التكوين الخاصة به.
عن المؤلف
نيتين كومار (مرض التصلب العصبي المتعدد، جامعة كارنيجي ميلون) هو عالم بيانات رئيسي في شركة T and T Consulting Services, Inc. ويتمتع بخبرة واسعة في النماذج الأولية للبحث والتطوير والمعلوماتية الصحية وبيانات القطاع العام وقابلية التشغيل البيني للبيانات. وهو يطبق معرفته بأساليب البحث المتطورة على القطاع الفيدرالي لتقديم أوراق فنية مبتكرة، ومستندات POCs، وMVPs. لقد عمل مع العديد من الوكالات الفيدرالية لتطوير بياناتها وأهداف الذكاء الاصطناعي. تشمل مجالات تركيز نيتين الأخرى معالجة اللغات الطبيعية (NLP)، وخطوط أنابيب البيانات، والذكاء الاصطناعي التوليدي.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/enable-data-sharing-through-federated-learning-a-policy-approach-for-chief-digital-officers/
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 000
- 1
- 100
- 116
- 130
- 600
- 7
- 9
- a
- من نحن
- تسريع
- الوصول
- وفقا
- المساءلة
- دقة
- دقيق
- تحقق
- تحقيق
- ACM
- في
- وبالإضافة إلى ذلك
- العنوان
- عناوين
- معالجة
- تبني
- تقدم
- وكالات
- وكالة
- مجمعة
- اتفاقية
- AI
- الكل
- السماح
- أيضا
- الزهايمر
- أمازون
- Amazon EC2
- أمازون ويب سيرفيسز
- أمريكا
- من بين
- an
- تحليلات
- و
- إكتشاف عيب خلقي
- أي وقت
- API
- ذو صلة
- ينطبق
- نهج
- ما يقرب من
- هندسة معمارية
- أرشيف
- هي
- المناطق
- الناشئة
- حول
- البند
- مصطنع
- الذكاء الاصطناعي
- الذكاء الاصطناعي (منظمة العفو الدولية)
- AS
- جانب
- التقييم المناسبين
- مساعدة
- محام
- At
- الهجمات
- المؤلفة
- مرض التوحد،
- أوتوماتيك
- متاح
- المتوسط
- تجنب
- بعيدا
- AWS
- الرصيد
- قاعدة
- BE
- لان
- أصبح
- أن تصبح
- كان
- قبل
- وراء
- يجري
- مؤشر
- تستفيد
- الفوائد
- أفضل
- أفضل الممارسات
- ما بين
- Beyond
- انحيازا
- مليار
- المدونة
- مخطط
- تعزيز
- عنق الزجاجة
- الحدود
- دماغ
- جلب
- نساعدك في بناء
- ابني
- روتيني
- الأعمال
- لكن
- by
- CA
- CAN
- قدرات
- أسر
- يهمني
- حقيبة
- الحالات
- سبب
- الأسباب
- CCPA
- CDC
- مركزية
- معين
- تحدى
- التحديات
- رئيس
- اختار
- كلارا
- زبون
- سريري
- سم
- متعاون
- تأتي
- يأتي
- مشترك
- Communication
- مماثل
- مقارنة
- التوافق
- الامتثال
- مكونات
- حساب
- إحصاء
- حالة
- الثقة
- الاعداد
- صلة
- نظر
- توحيد
- القيود
- الاستشارات
- مستهلك
- خصوصية المستهلك
- محتوى
- قريني
- يساهم
- مراقبة
- التقاء
- تحويلها
- جوهر
- فساد
- مكلفة
- استطاع
- البلد
- مغطى
- حرج
- حاسم
- مرهقة
- حالياًّ
- حاليا
- على
- العملاء
- المتطور والحديث
- الأمن السيبراني
- دورة
- تلف
- البيانات
- تحليلات البيانات
- تبادل البيانات
- معالجة المعلومات
- حماية البيانات
- عالم البيانات
- أمن البيانات
- تبادل البيانات
- قواعد البيانات
- يوم
- الموت
- اللامركزية
- اتخاذ القرار
- القرارات
- عميق
- التعلم العميق
- نقل
- القسم
- اعتمادا
- نشر
- نشر
- استخلاص
- وصف
- مفصلة
- كشف
- حدد
- تحديد
- التشخيص
- رسم بياني
- فرق
- مختلف
- رقمي
- اتجاه
- مباشرة
- الإعاقة
- بحث
- مناقشة
- مرض
- وزعت
- التدريب الموزع
- توزيع
- عدة
- أطباء
- نطاق
- المجالات
- إلى أسفل
- dr
- اثنان
- مدة الأقامة
- أثناء
- ديناميكي
- كل
- بسهولة
- سهل
- سهلة الاستخدام
- أصداء
- على نحو فعال
- كفاءة
- فعال
- هين
- جهود
- إلكتروني
- السجلات الصحية الإلكترونية
- اقصاء
- حالة طوارئ
- تمكين
- تمكن
- تمكين
- نقطة النهاية
- الهندسة
- المخصب
- ضمان
- أدخل
- كامل
- عهود
- العادل
- خاصة
- تقييم
- حتى
- كل
- كل شخص
- مثال
- أمثلة
- تبادل
- موسع
- الخبره في مجال الغطس
- خبير
- اكتشف
- مدد
- واسع
- خبرة واسعة
- استخراج
- الوجه
- أسرع
- قابليه
- المميزات
- اتحادي
- متحدة
- قليل
- حقل
- الأرقام
- ملفات
- نهائي
- الجدران النارية
- الاسم الأول
- خمسة
- مرن
- تركز
- اتباع
- متابعيك
- في حالة
- القوة
- طليعة
- النموذج المرفق
- وجدت
- الإطار
- الأطر
- كثيرا
- تبدأ من
- بالإضافة إلى
- إضافي
- علاوة على ذلك
- GDPR
- العلاجات العامة
- على العموم
- توليدي
- الذكاء الاصطناعي التوليدي
- الجغرافية
- دولار فقط واحصل على خصم XNUMX% على جميع
- منح
- العالمية
- العالم
- Go
- هدف
- الأهداف
- ذهبي
- معيار الذهب
- خير
- حكومة
- قادة الحكومة
- عظيم
- نابعة
- ضيف
- أجهزة التبخير
- أحزمة
- تسخير
- يملك
- he
- صحة الإنسان
- معلومات صحية
- الرعاية الصحية
- قلب
- ثقيل
- مساعدة
- مفيد
- يساعد
- هنا
- رفيع المستوى
- عالي الجودة
- تسليط الضوء
- سلط الضوء
- منع
- له
- يحمل
- مستشفى
- المستشفيات
- استضافة
- ساعات العمل
- كيفية
- لكن
- HTML
- HTTP
- HTTPS
- العقبات
- فكرة
- هوية
- IEEE
- if
- توضيح
- يوضح
- صورة
- صور
- التصوير
- التأثير
- تأثيرا
- تنفيذ
- التنفيذ
- تحقيق
- أهمية
- تحسن
- تحسينات
- تحسين
- in
- غير دقيق
- Inc.
- تتضمن
- بما فيه
- شامل
- دمج
- دمج
- فرد
- معلومات
- وأبلغ
- بإعلام
- البنية التحتية
- مبادرة
- مبتكرة
- رؤى
- إلهام
- معهد
- المؤسسات
- التأمين
- التكامل
- رؤيتنا
- عالميا
- Internet
- التوافقية
- إلى
- معزول
- مسائل
- IT
- انها
- الانضمام
- الحياة السياسية في فرنسا
- JPG
- م
- حفظ
- المعرفة
- معروف
- كومار
- وصفها
- لغة
- كبير
- على نطاق واسع
- آخر
- القوانين
- قيادة
- زعيم
- قادة
- قيادة
- قفز
- تعلم
- يترك
- إرث
- مستوى
- المكتبات
- المكتبة
- الحياة
- دورة حياة
- خفيفة الوزن
- مثل
- تحديد
- قائمة
- حياة
- محلي
- المواقع
- طويل الأجل
- يعد
- فقد
- الكثير
- آلة
- آلة التعلم
- الآلات
- المحافظة
- جعل
- يصنع
- القيام ب
- خبيث
- إدارة
- كتيب
- كثير
- رسم خريطة
- رسم الخرائط
- ماساتشوستس
- معهد ماساتشوستس للتكنولوجيا
- هائل
- أقصى
- مايو..
- طبي
- البيانات الطبية
- طبب
- دواء
- الاجتماع
- المذكورة
- دمج
- البيانات الوصفية
- طرق
- ربما
- دقيقة
- معهد ماساتشوستس للتكنولوجيا
- ML
- نموذج
- تصميم
- عارضات ازياء
- الأكثر من ذلك
- أكثر
- الاكثر شهره
- يتحرك
- التصوير بالرنين المغناطيسي
- كثيرا
- متعدد الأطراف
- متعدد
- يجب
- المتميزين
- محليات
- المعاهد الوطنية للصحة
- طبيعي
- معالجة اللغات الطبيعية
- الطبيعة
- حاجة
- بحاجة
- إحتياجات
- الشبكات
- الخلايا العصبية
- جديد
- أحدث
- المعاهد الوطنية للصحة
- البرمجة اللغوية العصبية
- لا
- العقدة
- شمال
- امريكا الشمالية
- الآن
- عدد
- NVIDIA
- عقبة
- العقبات
- of
- عرض
- الوهب
- عروض
- ضباط
- غالبا
- on
- ONE
- online
- آراء
- التحسين
- مزيد من الخيارات
- or
- منظمة
- المنظمات
- أخرى
- وإلا
- في الخارج
- على مدى
- التغلب على
- فوق
- تداخل
- نظرة عامة
- الخاصة
- ورق
- أوراق
- المشاركون
- المشاركة
- الأحزاب
- حفلة
- مرت
- المريض
- المرضى
- نمط
- أنماط
- ولاية بنسلفانيا
- مجتمع
- أداء
- شخص
- الشخصية
- البيانات الشخصية
- مرحلة جديدة
- الطيارين
- خط أنابيب
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- تسمم
- سياسات الخصوصية والبيع
- سياسة
- سياسي
- الرائج
- قابلية التنقل
- تشكل
- ممكن
- منشور
- محتمل
- قوة
- القوى
- الممارسات
- دقة
- تنبؤات
- تمهيدي
- إعداد
- منع
- منع
- ابتدائي
- خصوصية
- الخصوصية والأمن
- خاص
- المشكلة
- مشاكل
- عملية المعالجة
- العمليات
- معالجة
- المهنيين
- مشروع ناجح
- وعد
- نسبة
- اقترح
- المقترح
- الملكية
- محمي
- الحماية
- النماذج
- ويوفر
- توفير
- جمهور
- علانية
- المشتريات
- وضع
- جودة
- سريع
- بسرعة
- تماما
- اقتبس
- R & D
- بشكل جذري
- نطاقات
- الخام
- RE
- الوصول
- حقيقي
- العالم الحقيقي
- الأسباب
- مؤخرا
- اعتراف
- تسجيل
- متكرر
- تخفيض
- الرجوع
- يشار
- منتظم
- بانتظام
- ما هو مقنن
- قوانين
- ذات صلة
- الخدمة الموثوقة
- إزالة
- مستودع
- التمثيل
- المتطلبات الأساسية
- بحث
- والمؤسسات البحثية
- الباحثين
- حل
- الموارد
- هؤلاء
- مسؤولية
- مسؤول
- القيود
- نتيجة
- النتائج
- النوادي الثرية
- قوي
- الأدوار
- جذر
- sagemaker
- نفسه
- عينة
- حفظ
- إنقاذ
- التدرجية
- مسح
- مبعثر
- سيناريوهات
- جدولة
- عالم
- سلس
- بسلاسة
- الثاني
- ثانوي
- أقسام
- القطاع
- تأمين
- أمن
- رمز الأمان
- تقسيم
- اختيار
- حساس
- خوادم
- خدماتنا
- باكجات
- إعدادات
- عدة
- مشاركة
- شاركت
- مشاركة
- إظهار
- أظهرت
- هام
- بشكل ملحوظ
- الصوامع
- مماثل
- وبالمثل
- الاشارات
- عزباء
- المواقع
- جلسة
- المقاس
- صغير
- So
- جاليات
- حل
- الحلول
- بعض
- أحيانا
- مصدر
- الفضاء
- محدد
- على وجه التحديد
- فريق العمل
- أصحاب المصلحة
- معيار
- المعايير
- بداية
- بدأت
- المحافظة
- إحصائي
- خطوات
- لا يزال
- تخزين
- تخزين
- صريح
- موضوع
- الشبكة الفرعية
- الدعم
- نظام
- أنظمة
- أخذ
- يأخذ
- مهمة
- المهام
- فريق
- التكنولوجيا
- تقني
- التكنولوجيا
- تكنولوجيا
- tensorflow
- اختبار
- الاختبار
- من
- أن
- •
- المصدر
- العالم
- من مشاركة
- منهم
- موضوع
- هناك.
- وبالتالي
- وبالتالي
- تشبه
- هم
- طرف ثالث
- هؤلاء
- عبر
- تشديد
- الوقت
- مرات
- إلى
- سويا
- رمز
- جدا
- أدوات
- تيشرت
- نحو
- تتبع الشحنة
- تقليدي
- قطار
- متدرب
- قادة الإيمان
- القطارات
- تحويل
- تحول
- تحويل
- عبور
- المعالجة
- علاج
- افضل
- Uk
- غير متحيزة
- مع
- موحد
- وحدة
- توحد
- متحد
- الولايات المتحدة
- الجامعات
- جامعة
- مختلف
- فتح
- غير مستغل
- تحديث
- بناء على
- us
- صالح للإستعمال
- تستخدم
- حالة الاستخدام
- مستعمل
- مستخدم
- اعتماد المستخدم
- يستخدم
- استخدام
- القيمة
- قيمنا
- الاختلافات
- مختلف
- الباعة
- بواسطة
- ضحايا
- افتراضي
- تريد
- طريق..
- we
- الويب
- خدمات ويب
- حسن
- تذكار لعبة العجلة
- متى
- سواء
- التي
- في حين
- لماذا
- واسع الانتشار
- مع
- في غضون
- بدون
- كلمات
- للعمل
- عمل
- عامل
- أعمال
- العالم
- سوف
- مكتوب
- عام
- سنوات
- حتى الآن
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت