Dette er et gæsteblogindlæg skrevet af Nitin Kumar, en Lead Data Scientist hos T and T Consulting Services, Inc.
I dette indlæg diskuterer vi værdien og den potentielle effekt af fødereret læring på sundhedsområdet. Denne tilgang kan hjælpe patienter med hjerteslagtilfælde, læger og forskere med hurtigere diagnose, beriget beslutningstagning og mere informeret, inkluderende forskningsarbejde om slagtilfælde-relaterede sundhedsproblemer, ved at bruge en cloud-native tilgang med AWS-tjenester til letvægtsløft og ligetil adoption .
Diagnose udfordringer med hjerteslag
Statistikker fra Centers for Disease Control og Forebyggelse (CDC) viser, at hvert år i USA lider mere end 795,000 mennesker af deres første slagtilfælde, og omkring 25% af dem oplever tilbagevendende anfald. Det er dødsårsagen nummer fem ifølge American Stroke Association og en førende årsag til handicap i USA. Derfor er det afgørende at have hurtig diagnose og behandling for at reducere hjerneskade og andre komplikationer hos patienter med akut slagtilfælde.
CT'er og MR'er er guldstandarden inden for billeddannelsesteknologier til klassificering af forskellige undertyper af slagtilfælde og er afgørende under den foreløbige vurdering af patienter, bestemmelse af den grundlæggende årsag og behandling. En kritisk udfordring her, især i tilfælde af akut slagtilfælde, er tidspunktet for billeddiagnostik, som i gennemsnit strækker sig fra 30 minutter op til en time og kan være meget længere afhængigt af trængsel på akutafdelingen.
Læger og medicinsk personale har brug for hurtig og præcis billeddiagnose for at evaluere en patients tilstand og foreslå behandlingsmuligheder. Med Dr. Werner Vogels egne ord kl AWS re: Invent 2023, "hvert sekund, en person har et slagtilfælde, tæller." Ofre for slagtilfælde kan miste omkring 1.9 milliarder neuroner hvert sekund, de ikke bliver behandlet.
Medicinske datarestriktioner
Du kan bruge maskinlæring (ML) til at hjælpe læger og forskere i diagnoseopgaver og derved fremskynde processen. Men de datasæt, der er nødvendige for at bygge ML-modellerne og give pålidelige resultater, sidder i siloer på tværs af forskellige sundhedssystemer og organisationer. Disse isolerede ældre data har potentiale for massiv indvirkning, hvis de kumuleres. Så hvorfor er det ikke blevet brugt endnu?
Der er flere udfordringer, når man arbejder med medicinske domænedatasæt og bygger ML-løsninger, herunder patientens privatliv, sikkerhed for personlige data og visse bureaukratiske og politiske begrænsninger. Derudover har forskningsinstitutioner strammet deres praksis for datadeling. Disse forhindringer forhindrer også internationale forskerhold i at arbejde sammen om forskellige og rige datasæt, som blandt andet kan redde liv og forhindre handicap, der kan skyldes hjerteslagtilfælde.
Politikker og regler som f.eks Generel databeskyttelsesforordning (GDPR), Sundhedsforsikring Portabilitet og ansvarlighed lov (HIPPA), og California Consumer Privacy Act (CCPA) satte autoværn på deling af data fra det medicinske domæne, især patientdata. Derudover er datasættene på individuelle institutter, organisationer og hospitaler ofte for små, er ubalancerede eller har en skæv fordeling, hvilket fører til modelgeneraliseringsbegrænsninger.
Fødereret læring: En introduktion
Federated learning (FL) er en decentraliseret form for ML - en dynamisk ingeniørtilgang. I denne decentraliserede ML-tilgang deles ML-modellen mellem organisationer til træning i proprietære dataundersæt, i modsætning til traditionel centraliseret ML-træning, hvor modellen generelt træner på aggregerede datasæt. Dataene forbliver beskyttet bag organisationens firewalls eller VPC, mens modellen med dens metadata deles.
I træningsfasen udbredes og synkroniseres en global FL-model mellem enhedsorganisationer til træning på individuelle datasæt, og en lokal trænet model returneres. Den endelige globale model er tilgængelig til at bruge til at lave forudsigelser for alle blandt deltagerne, og kan også bruges som base for videreuddannelse til at bygge lokale tilpassede modeller for deltagende organisationer. Det kan yderligere udvides til at komme andre institutter til gode. Denne tilgang kan reducere cybersikkerhedskravene til data i transit markant ved at fjerne behovet for, at data overhovedet skal transiteres uden for organisationens grænser.
Følgende diagram illustrerer et eksempel på arkitektur.
I de følgende afsnit diskuterer vi, hvordan fødereret læring kan hjælpe.
Føderation lærer at redde dagen (og redde liv)
For god kunstig intelligens (AI) har du brug for gode data.
Ældre systemer, som ofte findes i det føderale domæne, udgør betydelige databehandlingsudfordringer, før du kan udlede nogen intelligens eller flette dem med nyere datasæt. Dette er en hindring for at levere værdifuld intelligens til ledere. Det kan føre til unøjagtig beslutningstagning, fordi andelen af ældre data nogle gange er meget mere værdifuld sammenlignet med det nyere lille datasæt. Du ønsker at løse denne flaskehals effektivt og uden arbejdsbyrder af manuel konsolidering og integrationsindsats (herunder besværlige kortlægningsprocesser) for ældre og nyere datasæt på tværs af hospitaler og institutter, hvilket kan tage mange måneder – hvis ikke år, i mange tilfælde. De gamle data er ret værdifulde, fordi de rummer vigtige kontekstuelle oplysninger, der er nødvendige for nøjagtig beslutningstagning og velinformeret modeltræning, hvilket fører til pålidelig AI i den virkelige verden. Varigheden af data informerer om langsigtede variationer og mønstre i datasættet, som ellers ville forblive uopdaget og føre til partiske og dårligt informerede forudsigelser.
At nedbryde disse datasiloer for at forene det uudnyttede potentiale i de spredte data kan redde og transformere mange liv. Det kan også fremskynde forskningen relateret til sekundære sundhedsproblemer som følge af hjerteslag. Denne løsning kan hjælpe dig med at dele indsigt fra data, der er isoleret mellem institutter på grund af politik og andre årsager, uanset om du er et hospital, et forskningsinstitut eller andre sundhedsdatafokuserede organisationer. Det kan muliggøre informerede beslutninger om forskningsretning og diagnose. Derudover resulterer det i et centraliseret lager af intelligens via en sikker, privat og global videnbase.
Fødereret læring har mange fordele generelt og specifikt for medicinske dataindstillinger.
Sikkerheds- og privatlivsfunktioner:
- Holder følsomme data væk fra internettet og bruger dem stadig til ML og udnytter deres intelligens med differentieret privatliv
- Giver dig mulighed for at bygge, træne og implementere objektive og robuste modeller på tværs af ikke bare maskiner, men også netværk uden nogen datasikkerhedsrisici
- Overvinder forhindringerne med flere leverandører, der administrerer dataene
- Eliminerer behovet for deling af data på tværs af websteder og global styring
- Bevarer privatlivets fred med differentieret privatliv og tilbyder sikker multi-party beregning med lokal træning
Ydeevneforbedringer:
- Løser problemet med lille prøvestørrelse i det medicinske billedbehandlingsrum og dyre mærkningsprocesser
- Balancerer fordelingen af dataene
- Giver dig mulighed for at inkorporere de fleste traditionelle ML og deep learning (DL) metoder
- Bruger poolede billedsæt til at hjælpe med at forbedre den statistiske styrke og overvinde de enkelte institutioners stikprøvestørrelsesbegrænsning
Fordele ved modstandsdygtighed:
- Hvis en af parterne beslutter sig for at forlade, vil det ikke hindre træningen
- Et nyt hospital eller institut kan tilmelde sig til enhver tid; det er ikke afhængigt af noget specifikt datasæt med nogen nodeorganisation
- Der er ikke behov for omfattende dataingeniørpipelines for de gamle data spredt ud over udbredte geografiske lokationer
Disse funktioner kan hjælpe med at bringe væggene ned mellem institutioner, der hoster isolerede datasæt på lignende domæner. Løsningen kan blive en kraftmultiplikator ved at udnytte de forenede kræfter i distribuerede datasæt og forbedre effektiviteten ved radikalt at transformere skalerbarhedsaspektet uden den tunge infrastrukturløft. Denne tilgang hjælper ML med at nå sit fulde potentiale ved at blive dygtig på det kliniske niveau og ikke kun forskning.
Federated learning har sammenlignelig ydeevne med almindelig ML, som vist i det følgende eksperiment af NVidia Clara (på Medical Modal ARchive (MMAR) ved brug af BRATS2018-datasættet). Her opnåede FL en sammenlignelig segmenteringspræstation sammenlignet med træning med centraliserede data: over 80 % med cirka 600 epoker, mens de trænede en multimodal, multi-klasse hjernetumorsegmenteringsopgave.
Fødereret læring er for nylig blevet testet i nogle få medicinske underområder til brugssager, herunder patientlighedslæring, læring af patientrepræsentation, fænotyping og prædiktiv modellering.
Ansøgningsplan: Fødereret læring gør det muligt og ligetil
For at komme i gang med FL kan du vælge mellem mange datasæt af høj kvalitet. For eksempel omfatter datasæt med hjernebilleder OVERHOLDE (Autism Brain Imaging Data Exchange-initiativ), ADNI (Alzheimers Disease Neuroimaging Initiative), RSNA (Radiological Society of North America) Brain CT, BraTS (Multimodal Brain Tumor Image Segmentation Benchmark) opdateres regelmæssigt til Brain Tumor Segmentation Challenge under UPenn (University of Pennsylvania), UK BioBank (dækket i følgende NIH papir), Og XI. Tilsvarende for hjertebilleder kan du vælge mellem flere offentligt tilgængelige muligheder, herunder ACDC (Automatic Cardiac Diagnosis Challenge), som er et hjerte-MR-vurderingsdatasæt med fuld annotering nævnt af National Library of Medicine i det følgende papir, og M&M (Multi-Center, Multi-Vendor og Multi-Disease) Cardiac Segmentation Challenge nævnt i det følgende IEEE papir.
De følgende billeder viser en probabilistisk læsionsoverlapskort for de primære læsioner fra ATLAS R1.1-datasættet. (Slagtilfælde er en af de mest almindelige årsager til hjernelæsioner ifølge Cleveland Clinic.)
For elektroniske sundhedsjournaler (EHR) data er nogle få datasæt tilgængelige, der følger Hurtige ressourcer til interoperabilitet i sundhedssektoren (FHIR) standard. Denne standard hjælper dig med at bygge ligetil piloter ved at fjerne visse udfordringer med heterogene, ikke-normaliserede datasæt, hvilket muliggør problemfri og sikker udveksling, deling og integration af datasæt. FHIR muliggør maksimal interoperabilitet. Eksempler på datasæt omfatter MIMIC-IV (Medical Information Mart for Intensiv Care). Andre datasæt af god kvalitet, som i øjeblikket ikke er FHIR, men som nemt kan konverteres, omfatter Centre for Medicare & Medicaid Services (CMS) Public Use Files (PUF) og eICU Collaborative Research Database fra MIT (Massachusetts Institute of Technology). Der er også andre ressourcer ved at blive tilgængelige, som tilbyder FHIR-baserede datasæt.
Livscyklussen for implementering af FL kan omfatte følgende trin: opgaveinitialisering, udvælgelse, konfiguration, modeltræning, klient/server-kommunikation, planlægning og optimering, versionering, test, implementering og afslutning. Der er mange tidskrævende trin, der går til at forberede medicinske billeddannelsesdata til traditionel ML, som beskrevet i det følgende papir. Domænekendskab kan være nødvendig i nogle scenarier for at forbehandle rå patientdata, især på grund af deres følsomme og private karakter. Disse kan konsolideres og nogle gange elimineres for FL, hvilket sparer afgørende tid til træning og giver hurtigere resultater.
Implementering
FL værktøjer og biblioteker er vokset med udbredt støtte, hvilket gør det nemt at bruge FL uden et tungt løft. Der er mange gode ressourcer og rammemuligheder til rådighed for at komme i gang. Du kan henvise til følgende omfattende liste af de mest populære rammer og værktøjer i FL-domænet, herunder PySyft, FedML, Flower, OpenFL, SKÆBNE, TensorFlow Federatedog NVFlare. Det giver en begynderliste over projekter, du kan komme hurtigt i gang med og bygge videre på.
Du kan implementere en cloud-native tilgang med Amazon SageMaker der fungerer problemfrit med AWS VPC peering, holder hver nodes træning i et privat undernet i deres respektive VPC og muliggør kommunikation via private IPv4-adresser. Endvidere modelhosting på Amazon SageMaker JumpStart kan hjælpe ved at eksponere endpoint API uden at dele modelvægte.
Det fjerner også potentielle computerudfordringer på højt niveau med on-premises hardware med Amazon Elastic Compute Cloud (Amazon EC2) ressourcer. Du kan implementere FL-klienten og serverne på AWS med SageMaker notesbøger , Amazon Simple Storage Service (Amazon S3), opretholde reguleret adgang til data og model med AWS identitets- og adgangsstyring (IAM) roller og brug AWS Security Token Service (AWS STS) til klient-side sikkerhed. Du kan også bygge dit eget brugerdefinerede system til FL ved hjælp af Amazon EC2.
For en detaljeret oversigt over implementering af FL med Flower ramme om SageMaker, og en diskussion af dens forskel fra distribueret træning, henvises til Maskinlæring med decentraliseret træningsdata ved hjælp af fødereret læring på Amazon SageMaker.
De følgende figurer illustrerer arkitekturen af transfer learning i FL.
Løsning af FL-dataudfordringer
Fødereret læring kommer med sine egne dataudfordringer, herunder privatliv og sikkerhed, men de er ligetil at løse. For det første skal du løse problemet med dataheterogenitet med medicinsk billeddannelsesdata, der stammer fra data, der er lagret på tværs af forskellige websteder og deltagende organisationer, kendt som en domæneskift problem (også kaldet kundeskifte i et FL-system), som fremhævet af Guan og Liu i det følgende papir. Dette kan føre til en forskel i konvergens af den globale model.
Andre komponenter til overvejelse omfatter sikring af datakvalitet og ensartethed ved kilden, inkorporering af ekspertviden i læringsprocessen for at skabe tillid til systemet blandt medicinske fagfolk og opnå modelpræcision. For mere information om nogle af de potentielle udfordringer, du kan stå over for under implementeringen, henvises til følgende papir.
AWS hjælper dig med at løse disse udfordringer med funktioner som den fleksible beregning af Amazon EC2 og forudbygget Docker-billeder i SageMaker for ligetil implementering. Du kan løse klientsideproblemer som ubalancerede data og beregningsressourcer for hver nodeorganisation. Du kan løse server-side læringsproblemer som forgiftningsangreb fra ondsindede parter med Amazon Virtual Private Cloud (Amazon VPC), sikkerhedsgrupper, og andre sikkerhedsstandarder, der forhindrer klientkorruption og implementerer AWS-anomalidetektionstjenester.
AWS hjælper også med at håndtere implementeringsudfordringer i den virkelige verden, som kan omfatte integrationsudfordringer, kompatibilitetsproblemer med nuværende eller ældre hospitalssystemer og brugeradoptionshinder, ved at tilbyde fleksible, brugervenlige og ubesværede løfteteknologiske løsninger.
Med AWS-tjenester kan du muliggøre storstilet FL-baseret forskning og klinisk implementering og implementering, som kan bestå af forskellige steder over hele verden.
Nylige politikker om interoperabilitet fremhæver behovet for fødereret læring
Mange love, der for nylig er vedtaget af regeringen, omfatter fokus på datainteroperabilitet, hvilket styrker behovet for tværorganisatorisk interoperabilitet af data til intelligens. Dette kan opfyldes ved at bruge FL, herunder rammer som f.eks TEFCA (Trusted Exchange Framework and Common Agreement) og den udvidede USCDI (United States Core Data for Interoperability).
Den foreslåede idé bidrager også til CDC's fangst- og distributionsinitiativ CDC går fremad. Følgende citat fra GovCIO-artiklen Datadeling og AI Topprioriteter for det føderale sundhedsagentur i 2024 gentager også et lignende tema: "Disse kapaciteter kan også støtte offentligheden på en retfærdig måde, møde patienter, hvor de er, og frigøre kritisk adgang til disse tjenester. Meget af dette arbejde kommer ned til data."
Dette kan hjælpe medicinske institutter og agenturer rundt om i landet (og over hele kloden) med datasiloer. De kan drage fordel af sømløs og sikker integration og datainteroperabilitet, hvilket gør medicinske data anvendelige til virkningsfulde ML-baserede forudsigelser og mønstergenkendelse. Du kan starte med billeder, men tilgangen gælder også for alle EPJ. Målet er at finde den bedste tilgang til datainteressenter med en cloud-native pipeline til at normalisere og standardisere dataene eller direkte bruge dem til FL.
Lad os udforske et eksempel på use case. Billeddata og scanninger af hjerteslagtilfælde er spredt rundt om i landet og verden og sidder i isolerede siloer på institutter, universiteter og hospitaler og adskilt af bureaukratiske, geografiske og politiske grænser. Der er ingen enkelt aggregeret kilde og ingen nem måde for medicinske fagfolk (ikke-programmører) at udtrække indsigt fra den. Samtidig er det ikke muligt at træne ML- og DL-modeller på disse data, hvilket kan hjælpe læger med at træffe hurtigere og mere præcise beslutninger i kritiske tider, hvor hjertescanninger kan tage timer at komme ind, mens patientens liv kan blive hængende. balance.
Andre kendte anvendelsestilfælde omfatter POTS (Køb online sporingssystem) på NIH (National Institutes of Health) og cybersikkerhed til spredte og trindelte efterretningsløsningsbehov på COMCOMs/MAJCOMs lokationer rundt om i verden.
Konklusion
Fødereret læring har store løfter for ældre sundhedsdataanalyse og intelligens. Det er ligetil at implementere en cloud-native løsning med AWS-tjenester, og FL er især nyttigt for medicinske organisationer med ældre data og tekniske udfordringer. FL kan have en potentiel indflydelse på hele behandlingscyklussen, og nu endnu mere med fokus på datainteroperabilitet fra store føderale organisationer og regeringsledere.
Denne løsning kan hjælpe dig med at undgå at genopfinde hjulet og bruge den nyeste teknologi til at tage et spring fra ældre systemer og være på forkant i denne konstant udviklende verden af kunstig intelligens. Du kan også blive førende for bedste praksis og en effektiv tilgang til datainteroperabilitet inden for og på tværs af agenturer og institutter inden for sundhedsdomænet og videre. Hvis du er et institut eller et bureau med datasiloer spredt rundt i landet, kan du drage fordel af denne problemfri og sikre integration.
Indholdet og meningerne i dette indlæg er tredjepartsforfatterens, og AWS er ikke ansvarlig for indholdet eller nøjagtigheden af dette indlæg. Det er hver enkelt kundes ansvar at afgøre, om de er underlagt HIPAA, og i så fald, hvordan man bedst overholder HIPAA og dets gennemførelsesbestemmelser. Før du bruger AWS i forbindelse med beskyttede sundhedsoplysninger, skal kunderne indtaste et AWS Business Associate Addendum (BAA) og følge dets konfigurationskrav.
Om forfatteren
Nitin Kumar (MS, CMU) er en Lead Data Scientist hos T and T Consulting Services, Inc. Han har stor erfaring med F&U-prototyper, sundhedsinformatik, data fra den offentlige sektor og datainteroperabilitet. Han anvender sin viden om banebrydende forskningsmetoder til den føderale sektor for at levere innovative tekniske papirer, POC'er og MVP'er. Han har arbejdet med flere føderale agenturer for at fremme deres data- og AI-mål. Nitins andre fokusområder omfatter naturlig sprogbehandling (NLP), datapipelines og generativ AI.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/enable-data-sharing-through-federated-learning-a-policy-approach-for-chief-digital-officers/
- :har
- :er
- :ikke
- :hvor
- $OP
- 000
- 1
- 100
- 116
- 130
- 600
- 7
- 9
- a
- Om
- fremskynde
- adgang
- Ifølge
- ansvarlighed
- nøjagtighed
- præcis
- opnået
- opnå
- ACM
- tværs
- Derudover
- adresse
- adresser
- adressering
- Vedtagelse
- fremme
- agenturer
- agentur
- aggregeret
- Aftale
- AI
- Alle
- tillade
- også
- Alzheimers
- Amazon
- Amazon EC2
- Amazon Web Services
- amerika
- blandt
- an
- analytics
- ,
- afsløring af anomalier
- enhver
- api
- anvendelig
- gælder
- tilgang
- cirka
- arkitektur
- Arkiv
- ER
- områder
- opstår
- omkring
- artikel
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- AS
- udseende
- vurdering
- hjælpe
- Associate
- At
- Angreb
- forfatter
- Autisme
- Automatisk Ur
- til rådighed
- gennemsnit
- undgå
- væk
- AWS
- Balance
- bund
- BE
- fordi
- bliver
- blive
- været
- før
- bag
- være
- benchmark
- gavner det dig
- fordele
- BEDSTE
- bedste praksis
- mellem
- Beyond
- forudindtaget
- Billion
- Blog
- blueprint
- støttelinningsindretningen
- flaskehals
- grænser
- Brain
- bringe
- bygge
- Bygning
- bureaukratisk
- virksomhed
- men
- by
- CA
- CAN
- kapaciteter
- fange
- hvilken
- tilfælde
- tilfælde
- Årsag
- årsager
- CCPA
- CDC
- centraliseret
- vis
- udfordre
- udfordringer
- chef
- Vælg
- Clara
- kunde
- Klinisk
- cms
- kollaborativ
- Kom
- kommer
- Fælles
- Kommunikation
- sammenlignelig
- sammenlignet
- kompatibilitet
- overholde
- komponenter
- beregning
- Compute
- betingelse
- tillid
- Konfiguration
- tilslutning
- overvejelse
- konsolidering
- begrænsninger
- rådgivning
- forbruger
- forbrugernes privatliv
- indhold
- kontekstuelle
- bidrager
- kontrol
- Konvergens
- konverteret
- Core
- Korruption
- kostbar
- kunne
- land
- dækket
- kritisk
- afgørende
- besværlig
- Nuværende
- For øjeblikket
- skik
- Kunder
- banebrydende
- Cybersecurity
- cyklus
- skader
- data
- Dataanalyse
- Dataudveksling
- databehandling
- databeskyttelse
- dataforsker
- datasikkerhed
- datadeling
- datasæt
- dag
- Død
- decentral
- Beslutningstagning
- afgørelser
- dyb
- dyb læring
- levere
- Afdeling
- Afhængigt
- indsætte
- implementering
- udlede
- beskrevet
- detaljeret
- Detektion
- Bestem
- bestemmelse
- diagnose
- diagram
- forskel
- forskellige
- digital
- retning
- direkte
- handicap
- diskutere
- diskussion
- Sygdom
- distribueret
- distribueret træning
- fordeling
- forskelligartede
- Læger
- domæne
- Domæner
- ned
- dr
- grund
- varighed
- i løbet af
- dynamisk
- hver
- nemt
- let
- nem at bruge
- ekkoer
- effektivt
- effektivitet
- effektiv
- nemt
- indsats
- elektronisk
- Elektronisk sundhedsjournal
- elimineret
- nødsituation
- muliggøre
- muliggør
- muliggør
- Endpoint
- Engineering
- beriget
- sikring
- Indtast
- Hele
- epoker
- retfærdig
- især
- evaluere
- Endog
- Hver
- alle
- eksempel
- eksempler
- udveksling
- udvidet
- erfaring
- ekspert
- udforske
- udvidet
- omfattende
- Omfattende oplevelse
- ekstrakt
- Ansigtet
- hurtigere
- gennemførlig
- Funktionalitet
- Federal
- fødereret
- få
- felt
- tal
- Filer
- endelige
- Finde
- firewalls
- Fornavn
- fem
- fleksibel
- Fokus
- følger
- efter
- Til
- Tving
- forkant
- formular
- fundet
- Framework
- rammer
- hyppigt
- fra
- fuld
- yderligere
- Endvidere
- GDPR
- Generelt
- generelt
- generative
- Generativ AI
- geografisk
- få
- Giv
- Global
- kloden
- Go
- mål
- Mål
- Guld
- Gold Standard
- godt
- Regering
- Regeringsledere
- stor
- voksen
- Gæst
- Hardware
- seler
- udnyttelse
- Have
- he
- Helse
- sundhedsinformation
- sundhedspleje
- Hjerte
- tunge
- hjælpe
- hjælpsom
- hjælper
- link.
- højt niveau
- høj kvalitet
- Fremhæv
- Fremhævet
- hindre
- hans
- besidder
- hospital
- sygehuse
- Hosting
- HOURS
- Hvordan
- Men
- HTML
- http
- HTTPS
- Hurdles
- idé
- Identity
- IEEE
- if
- illustrere
- illustrerer
- billede
- billeder
- Imaging
- KIMOs Succeshistorier
- effektfuld
- gennemføre
- implementering
- gennemføre
- vigtigt
- Forbedre
- forbedringer
- forbedring
- in
- forkert
- Inc.
- omfatter
- Herunder
- Inklusive
- indarbejde
- inkorporering
- individuel
- oplysninger
- informeret
- oplyser
- Infrastruktur
- initiativ
- innovativ
- indsigt
- inspirere
- Institut
- institutioner
- forsikring
- integration
- Intelligens
- internationalt
- Internet
- Interoperabilitet
- ind
- isolerede
- spørgsmål
- IT
- ITS
- deltage
- jpeg
- jpg
- lige
- holde
- viden
- kendt
- Kumar
- mærkning
- Sprog
- stor
- storstilet
- seneste
- Love
- føre
- leder
- ledere
- førende
- Leap
- læring
- Forlade
- Legacy
- Niveau
- biblioteker
- Bibliotek
- Livet
- livscyklus
- letvægt
- ligesom
- begrænsning
- Liste
- Lives
- lokale
- placeringer
- langsigtet
- længere
- taber
- Lot
- maskine
- machine learning
- Maskiner
- vedligeholde
- lave
- maerker
- Making
- ondsindet
- styring
- manuel
- mange
- kort
- kortlægning
- Massachusetts
- Massachusetts Tekniske Institut
- massive
- maksimal
- Kan..
- medicinsk
- medicinske data
- Medicare
- medicin
- møde
- nævnte
- Flet
- Metadata
- metoder
- måske
- minutter
- MIT
- ML
- model
- modellering
- modeller
- mere
- mest
- Mest Populære
- flytning
- MRI
- meget
- flere partier
- flere
- skal
- MVP'er
- national
- nationale sundhedsinstitutter
- Natural
- Natural Language Processing
- Natur
- Behov
- behov
- behov
- net
- Neuroner
- Ny
- nyere
- NIH
- NLP
- ingen
- node
- Nord
- nordamerika
- nu
- nummer
- Nvidia
- hindring
- forhindringer
- of
- tilbyde
- tilbyde
- Tilbud
- officerer
- tit
- on
- ONE
- online
- Udtalelser
- optimering
- Indstillinger
- or
- organisation
- organisationer
- Andet
- Ellers
- uden for
- i løbet af
- overvinde
- overliggende
- overlapning
- oversigt
- egen
- Papir
- papirer
- deltagere
- deltager
- parter
- part
- Bestået
- patient
- patienter
- Mønster
- mønstre
- Pennsylvania
- Mennesker
- ydeevne
- person,
- personale
- Personlig data
- fase
- piloter
- pipeline
- plato
- Platon Data Intelligence
- PlatoData
- forgiftning
- politikker
- politik
- politisk
- Populær
- bærbarhed
- udgør
- mulig
- Indlæg
- potentiale
- magt
- beføjelser
- praksis
- Precision
- Forudsigelser
- indledende
- forberede
- forhindre
- forebyggelse
- primære
- Beskyttelse af personlige oplysninger
- Privatliv og sikkerhed
- private
- Problem
- problemer
- behandle
- Processer
- forarbejdning
- professionelle partnere
- projekter
- løfte
- andel
- foreslå
- foreslog
- proprietære
- beskyttet
- beskyttelse
- prototyping
- giver
- leverer
- offentlige
- offentligt
- køb
- sætte
- kvalitet
- Hurtig
- hurtigt
- helt
- citere
- F & U
- radikalt
- intervaller
- Raw
- RE
- nå
- ægte
- virkelige verden
- årsager
- for nylig
- anerkendelse
- optegnelser
- tilbagevendende
- reducere
- henvise
- benævnt
- fast
- regelmæssigt
- reguleret
- regler
- relaterede
- pålidelig
- fjernelse
- Repository
- repræsentation
- Krav
- forskning
- Forskningsinstitutioner
- forskere
- løse
- Ressourcer
- dem
- ansvar
- ansvarlige
- restriktioner
- resultere
- Resultater
- Rich
- robust
- roller
- rod
- sagemaker
- samme
- prøve
- Gem
- besparelse
- Skalerbarhed
- scanninger
- spredt
- scenarier
- planlægning
- Videnskabsmand
- sømløs
- problemfrit
- Anden
- sekundær
- sektioner
- sektor
- sikker
- sikkerhed
- sikkerhedsbogstav
- segmentering
- valg
- følsom
- Servere
- Tjenester
- sæt
- indstillinger
- flere
- Del
- delt
- deling
- Vis
- vist
- signifikant
- betydeligt
- siloer
- lignende
- Tilsvarende
- Simpelt
- enkelt
- Websteder
- Siddende
- Størrelse
- lille
- So
- Samfund
- løsninger
- Løsninger
- nogle
- sommetider
- Kilde
- Space
- specifikke
- specifikt
- Personale
- interessenter
- standard
- standarder
- starte
- påbegyndt
- Stater
- statistiske
- Steps
- Stadig
- opbevaring
- opbevaret
- ligetil
- emne
- subnet
- support
- systemet
- Systemer
- Tag
- tager
- Opgaver
- opgaver
- hold
- tech
- Teknisk
- Teknologier
- Teknologier
- tensorflow
- afprøvet
- Test
- end
- at
- The Source
- verdenen
- deres
- Them
- tema
- Der.
- derved
- derfor
- Disse
- de
- tredjepart
- denne
- dem
- Gennem
- stramning
- tid
- gange
- til
- sammen
- token
- også
- værktøjer
- top
- mod
- Sporing
- traditionelle
- Tog
- uddannet
- Kurser
- tog
- overførsel
- Transform
- omdanne
- transit
- behandlet
- behandling
- betroet
- Uk
- fordomsfri
- under
- forenet
- enhed
- forene
- Forenet
- Forenede Stater
- Universiteter
- universitet
- I modsætning til
- oplåsning
- uudnyttet
- opdateret
- på
- us
- brugbar
- brug
- brug tilfælde
- anvendte
- Bruger
- Brugeroptagelse
- bruger
- ved brug af
- Værdifuld
- værdi
- variationer
- forskellige
- leverandører
- via
- ofre
- Virtual
- ønsker
- Vej..
- we
- web
- webservices
- GODT
- Hjul
- hvornår
- hvorvidt
- som
- mens
- hvorfor
- udbredt
- med
- inden for
- uden
- ord
- Arbejde
- arbejdede
- arbejder
- virker
- world
- ville
- skriftlig
- år
- år
- endnu
- Du
- Din
- zephyrnet