Analyse af medicinske billeder spiller en afgørende rolle i diagnosticering og behandling af sygdomme. Evnen til at automatisere denne proces ved hjælp af maskinlæringsteknikker (ML) giver sundhedspersonale mulighed for hurtigere at diagnosticere visse kræftformer, koronarsygdomme og oftalmologiske tilstande. En af de vigtigste udfordringer for klinikere og forskere på dette område er imidlertid den tidskrævende og komplekse karakter af at bygge ML-modeller til billedklassificering. Traditionelle metoder kræver kodningsekspertise og omfattende viden om ML-algoritmer, hvilket kan være en barriere for mange sundhedsprofessionelle.
For at løse dette hul brugte vi Amazon SageMaker lærred, et visuelt værktøj, der gør det muligt for medicinske klinikere at bygge og implementere ML-modeller uden kodning eller specialiseret viden. Denne brugervenlige tilgang eliminerer den stejle indlæringskurve forbundet med ML, hvilket frigør klinikere til at fokusere på deres patienter.
Amazon SageMaker Canvas giver en træk-og-slip-grænseflade til at skabe ML-modeller. Klinikere kan vælge de data, de vil bruge, angive det ønskede output og derefter se, hvordan det automatisk bygger og træner modellen. Når først modellen er trænet, genererer den nøjagtige forudsigelser.
Denne tilgang er ideel til medicinske klinikere, der ønsker at bruge ML til at forbedre deres diagnose og behandlingsbeslutninger. Med Amazon SageMaker Canvas kan de bruge ML-kraften til at hjælpe deres patienter uden at skulle være ML-ekspert.
Medicinsk billedklassificering påvirker direkte patientresultater og sundhedsydelsers effektivitet. Rettidig og nøjagtig klassificering af medicinske billeder giver mulighed for tidlig påvisning af sygdomme, der hjælper med effektiv behandlingsplanlægning og overvågning. Desuden muliggør demokratiseringen af ML gennem tilgængelige grænseflader som Amazon SageMaker Canvas en bredere vifte af sundhedspersonale, herunder dem uden omfattende teknisk baggrund, til at bidrage til området for medicinsk billedanalyse. Denne inkluderende tilgang fremmer samarbejde og videndeling og fører i sidste ende til fremskridt inden for sundhedsforskning og forbedret patientbehandling.
I dette indlæg vil vi udforske mulighederne for Amazon SageMaker Canvas til at klassificere medicinske billeder, diskutere fordelene og fremhæve brugssager i den virkelige verden, der viser dens indvirkning på medicinsk diagnostik.
Brug sag
Hudkræft er en alvorlig og potentielt dødelig sygdom, og jo tidligere den opdages, jo større chance er der for vellykket behandling. Statistisk set er hudkræft (f.eks. basal- og pladecellekarcinomer) en af de mest almindelige kræfttyper og fører til hundredtusindvis af dødsfald verdensplan hvert år. Det viser sig gennem unormal vækst af hudceller.
Men tidlig diagnose øger drastisk chancerne for helbredelse. Desuden kan det gøre kirurgiske, radiografiske eller kemoterapeutiske behandlinger unødvendige eller mindske deres samlede brug, hvilket hjælper med at reducere sundhedsomkostningerne.
Processen med at diagnosticere hudkræft starter med en procedure kaldet en dermoskopi[1], som inspicerer den generelle form, størrelse og farvekarakteristika af hudlæsioner. Mistænkte læsioner gennemgår derefter yderligere prøveudtagning og histologiske tests for bekræftelse af cancercelletypen. Læger bruger flere metoder til at opdage hudkræft, begyndende med visuel påvisning. American Center for the Study of Dermatology udviklede en guide til den mulige form af melanom, som kaldes ABCD (asymmetri, kant, farve, diameter) og bruges af læger til indledende screening af sygdommen. Hvis der konstateres en formodet hudlæsion, tager lægen en biopsi af den synlige læsion på huden og undersøger den mikroskopisk for en godartet eller ondartet diagnose og typen af hudkræft. Computersynsmodeller kan spille en værdifuld rolle i at hjælpe med at identificere mistænkelige modermærker eller læsioner, hvilket muliggør tidligere og mere præcis diagnose.
Oprettelse af en kræftdetektionsmodel er en proces i flere trin, som beskrevet nedenfor:
- Saml et stort datasæt af billeder fra sund hud og hud med forskellige typer kræft- eller præcancerøse læsioner. Dette datasæt skal kureres omhyggeligt for at sikre nøjagtighed og konsistens.
- Brug computervisionsteknikker til at forbehandle billederne og uddrag relevant for at skelne mellem sund og kræfthud.
- Træn en ML-model på de forbehandlede billeder ved at bruge en superviseret læringstilgang til at lære modellen at skelne mellem forskellige hudtyper.
- Evaluer modellens ydeevne ved hjælp af en række metrics, såsom præcision og genkaldelse, for at sikre, at den nøjagtigt identificerer kræfthud og minimerer falske positiver.
- Integrer modellen i et brugervenligt værktøj, der kan bruges af hudlæger og andet sundhedspersonale til at hjælpe med at opdage og diagnosticere hudkræft.
Samlet set kræver processen med at udvikle en hudkræftdetektionsmodel fra bunden typisk betydelige ressourcer og ekspertise. Det er her, Amazon SageMaker Canvas kan hjælpe med at forenkle tiden og indsatsen for trin 2 – 5.
Løsningsoversigt
For at demonstrere skabelsen af en computersynsmodel for hudkræft uden at skrive nogen kode, bruger vi et dermatoskopi-hudkræftbilleddatasæt udgivet af Harvard Dataverse. Vi bruger datasættet, som kan findes på HAM10000 og består af 10,015 dermatoskopiske billeder, for at bygge en hudkræftklassificeringsmodel, der forudsiger hudkræftklasser. Et par nøglepunkter om datasættet:
- Datasættet fungerer som et træningssæt til akademiske ML-formål.
- Den omfatter en repræsentativ samling af alle vigtige diagnostiske kategorier inden for pigmentlæsioner.
- Et par kategorier i datasættet er: Aktiniske keratoser og intraepitelialt karcinom / Bowens sygdom (akiec), basalcellekarcinom (bcc), benigne keratose-lignende læsioner (sollentiginer / seborroiske keratoser og lichen-planus som keratoser, bkl), dermatofibroma ( df), melanom (mel), melanocytisk nevi (nv) og vaskulære læsioner (angiomer, angiokeratomer, pyogene granulomer og blødninger, vasc)
- Mere end 50 % af læsionerne i datasættet er bekræftet gennem histopatologi (histo).
- Grundsandheden for resten af sagerne bestemmes gennem opfølgende undersøgelse (
follow_up
), ekspertkonsensus (konsensus) eller bekræftelse af in vivo konfokal mikroskopi (konfokal). - Datasættet inkluderer læsioner med flere billeder, som kan spores ved hjælp af
lesion_id
kolonne inden forHAM10000_metadata
fil.
Vi viser, hvordan man forenkler billedklassificering for flere hudkræftkategorier uden at skrive nogen kode ved hjælp af Amazon SageMaker Canvas. Givet et billede af en hudlæsion, klassificerer SageMaker Canvas billedklassificering automatisk et billede i godartet eller mulig kræft.
Forudsætninger
- Adgang til en AWS konto med tilladelser til at oprette de ressourcer, der er beskrevet i trinsektionen.
- En AWS identitets- og adgangsstyring (AWS IAM) bruger med fuld tilladelse til at bruge Amazon SageMaker.
Går igennem
- Opsæt SageMaker domæne
- Opsætning af datasæt
- Opret en Amazon Simple Storage Service (Amazon S3) spand med et unikt navn, som er
image-classification-<ACCOUNT_ID>
hvor ACCOUNT_ID er dit unikke AWS-kontonummer. - Opret to mapper i denne bøtte:
training-data
,test-data
. - Under træningsdata skal du oprette syv mapper for hver af hudkræftkategorierne identificeret i datasættet:
akiec
,bcc
,bkl
,df
,mel
,nv
ogvasc
. - Datasættet inkluderer læsioner med flere billeder, som kan spores af
lesion_id-column
iHAM10000_metadata
fil. Brugerlesion_id-column
, kopier de tilsvarende billeder i den rigtige mappe (dvs. du kan starte med 100 billeder for hver klassifikation).
- Opret en Amazon Simple Storage Service (Amazon S3) spand med et unikt navn, som er
- Brug Amazon SageMaker Canvas
- Gå til Amazon SageMaker service i konsollen og vælg Lærred fra listen. Når du er på Canvas-siden, skal du vælge Åbn lærred .
- Når du er på Canvas-siden, skal du vælge Mine modeller og vælg derefter Ny model til højre på din skærm.
- Et nyt pop-up vindue åbner op, hvor vi navngiver image_classify som modellens navn og vælg Billedanalyse under Problektype.
- Importer datasættet
- Vælg venligst på næste side Opret datasæt og i pop op-boksen navngive datasættet som image_classify og vælg Opret .
- På næste side skal du ændre Datakilde til Amazon S3. Du kan også uploade billederne direkte (dvs. Lokal upload).
- Når du vælger Amazon S3, får du listen over buckets på din konto. Vælg den overordnede bucket, der indeholder datasættet i undermappe (f.eks. billede-klassificere-2023 og vælg Import datoer knap. Dette giver Amazon SageMaker Canvas mulighed for hurtigt at mærke billederne baseret på mappenavnene.
- Når datasættet er importeret korrekt, vil du se værdien i kolonnen Status ændres til Ready fra Behandles.
- Vælg nu dit datasæt ved at vælge Vælg datasæt nederst på din side.
- Byg din model
- På Byg side, bør du se dine data importeret og mærket i henhold til mappenavnet i Amazon S3.
- Vælg Hurtig opbygning knappen (dvs. det rødt fremhævede indhold i det følgende billede), og du vil se to muligheder for at bygge modellen. Den første er Hurtig opbygning og den anden er Standard opbygning. Som navnet antyder giver muligheden for hurtig opbygning hastighed frem for nøjagtighed, og det tager omkring 15 til 30 minutter at bygge modellen. Standardbygningen prioriterer nøjagtighed frem for hastighed, hvor modelbygningen tager fra 45 minutter til 4 timer at fuldføre. Standard build kører eksperimenter ved hjælp af forskellige kombinationer af hyperparametre og genererer mange modeller i backend (ved hjælp af SageMaker Autopilot funktionalitet) og vælger derefter den bedste model.
- Type Standard opbygning for at begynde at bygge modellen. Det tager omkring 2-5 timer at gennemføre.
- Når modelopbygningen er færdig, kan du se en estimeret nøjagtighed som vist i figur 11.
- Hvis du vælger Scoring fanen, skal den give dig indsigt i modellens nøjagtighed. Vi kan også vælge Avancerede målinger knappen på Scoring fanen for at se præcision, genkaldelse og F1-score (et afbalanceret mål for nøjagtighed, der tager klassebalancen i betragtning).
- De avancerede målinger, som Amazon SageMaker Canvas viser dig, afhænger af, om din model udfører numeriske, kategoriske, billed-, tekst- eller tidsserieprognoser på dine data. I dette tilfælde mener vi, at tilbagekaldelse er vigtigere end præcision, fordi det er langt farligere at gå glip af en kræftdetektion end at opdage korrekt. Kategorisk forudsigelse, såsom 2-kategoris forudsigelse eller 3-kategoris forudsigelse, refererer til det matematiske klassifikationsbegreb. Det avanceret metrisk recall er brøkdelen af sande positive (TP) ud af alle de faktiske positive (TP + falsk negativ). Den måler andelen af positive tilfælde, der blev korrekt forudsagt som positive af modellen. Henvis venligst dette Et dybt dyk ned i Amazon SageMaker Canvas avancerede metrics for et dybt dyk på forhåndsmålingerne.
Dette fuldender trinnet til oprettelse af model i Amazon SageMaker Canvas.
- Test din model
- Du kan nu vælge Forudsige knappen, som fører dig til Forudsige side, hvor du kan uploade dine egne billeder igennem Enkelt forudsigelse or Batch forudsigelse. Indstil venligst din valgmulighed og vælg Importere for at uploade dit billede og teste modellen.
- Lad os starte med at lave en enkelt billedforudsigelse. Sørg for, at du er på Enkelt forudsigelse Og vælg Importer billede. Dette fører dig til en dialogboks, hvor du kan vælge at uploade dit billede fra Amazon S3, eller gør en Lokal upload. I vores tilfælde vælger vi Amazon S3 og browse til vores bibliotek, hvor vi har testbillederne og vælg et hvilket som helst billede. Vælg derefter Import datoer.
- Når det er valgt, bør du se skærmen siger Generering af forudsigelsesresultater. Du bør have dine resultater om et par minutter som vist nedenfor.
- Lad os nu prøve Batch-forudsigelsen. Vælg Batch forudsigelse under Kør forudsigelser og vælg Importer nyt datasæt knappen og navngiv den Batchforudsigelse og ramte Opret .
- I det næste vindue skal du sørge for, at du har valgt Amazon S3 upload og gennemse den mappe, hvor vi har vores testsæt, og vælg Import datoer .
- Når billederne er kommet ind Ready status, vælg alternativknappen for det oprettede datasæt og vælg Generer forudsigelser. Nu bør du se status for batch-forudsigelsesbatch til Generer forudsigelser. Lad os vente et par minutter på resultaterne.
- Når status er inde Ready stat, skal du vælge det datasætnavn, der fører dig til en side, der viser den detaljerede forudsigelse på alle vores billeder.
- En anden vigtig egenskab ved Batch Prediction er at være i stand til at verificere resultaterne og også være i stand til at downloade forudsigelsen i en zip- eller csv-fil til yderligere brug eller deling.
Med dette har du med succes været i stand til at skabe en model, træne den og teste dens forudsigelse med Amazon SageMaker Canvas.
Gøre rent
Vælg Log ud i venstre navigationsrude for at logge ud af Amazon SageMaker Canvas-applikationen for at stoppe forbruget af SageMaker Canvas arbejdsområde forekomst timer og frigive alle ressourcer.
Citation
[1]Fraiwan M, Faouri E. Om automatisk påvisning og klassificering af hudkræft ved hjælp af Deep Transfer Learning. Sensorer (Basel). 2022 Jun 30;22(13):4963. doi: 10.3390/s22134963. PMID: 35808463; PMCID: PMC9269808.
Konklusion
I dette indlæg viste vi dig, hvordan medicinsk billedanalyse ved hjælp af ML-teknikker kan fremskynde diagnosen hudkræft, og dens anvendelighed til at diagnosticere andre sygdomme. Men at bygge ML-modeller til billedklassificering er ofte komplekst og tidskrævende, hvilket kræver kodningsekspertise og ML-viden. Amazon SageMaker Canvas tacklede denne udfordring ved at levere en visuel grænseflade, der eliminerer behovet for kodning eller specialiserede ML-færdigheder. Dette giver sundhedspersonale mulighed for at bruge ML uden en stejl indlæringskurve, hvilket giver dem mulighed for at fokusere på patientbehandling.
Den traditionelle proces med at udvikle en kræftdetektionsmodel er besværlig og tidskrævende. Det involverer at samle et kurateret datasæt, forbehandle billeder, træne en ML-model, evaluere dens ydeevne og integrere den i et brugervenligt værktøj for sundhedspersonale. Amazon SageMaker Canvas forenklede trinene fra forbehandling til integration, hvilket reducerede den tid og indsats, der var nødvendig for at bygge en hudkræftdetektionsmodel.
I dette indlæg dykkede vi ned i Amazon SageMaker Canvas kraftfulde evner til at klassificere medicinske billeder, kaste lys over dets fordele og præsentere brugscases i den virkelige verden, der viser dens dybe indflydelse på medicinsk diagnostik. En sådan overbevisende use case, vi undersøgte, var påvisning af hudkræft, og hvordan tidlig diagnose ofte forbedrer behandlingsresultater markant og reducerer sundhedsomkostningerne.
Det er vigtigt at erkende, at nøjagtigheden af modellen kan variere afhængigt af faktorer, såsom størrelsen af træningsdatasættet og den specifikke type model, der anvendes. Disse variabler spiller en rolle i bestemmelsen af klassificeringsresultaternes ydeevne og pålidelighed.
Amazon SageMaker Canvas kan tjene som et uvurderligt værktøj, der hjælper sundhedspersonale med at diagnosticere sygdomme med større nøjagtighed og effektivitet. Det er dog vigtigt at bemærke, at det ikke er beregnet til at erstatte sundhedspersonalets ekspertise og dømmekraft. Tværtimod styrker det dem ved at øge deres evner og muliggøre mere præcise og hensigtsmæssige diagnoser. Det menneskelige element er fortsat essentielt i beslutningsprocessen, og samarbejdet mellem sundhedspersonale og kunstig intelligens (AI) værktøjer, herunder Amazon SageMaker Canvas, er afgørende for at yde optimal patientpleje.
Om forfatterne
Ramakant Joshi er en AWS Solutions Architect med speciale i analytics og serverless domæne. Han har en baggrund inden for softwareudvikling og hybridarkitekturer, og brænder for at hjælpe kunder med at modernisere deres cloud-arkitektur.
Jake Wen er Solutions Architect hos AWS, drevet af en passion for Machine Learning, Natural Language Processing og Deep Learning. Han hjælper Enterprise-kunder med at opnå modernisering og skalerbar implementering i skyen. Ud over teknologiverdenen finder Jake glæde ved skateboarding, vandreture og pilotering af luftdroner.
Sonu Kumar Singh er en AWS Solutions Architect, med speciale i analytics domæne. Han har været medvirkende til at katalysere transformative skift i organisationer ved at muliggøre datadrevet beslutningstagning og derved fremme innovation og vækst. Han nyder det, når noget han har designet eller skabt har en positiv effekt. Hos AWS er hans hensigt at hjælpe kunder med at trække værdi ud af AWS's 200+ cloud-tjenester og styrke dem i deres cloud-rejse.
Dariush Azimi er Solution Architect hos AWS med speciale i Machine Learning, Natural Language Processing (NLP) og mikroservicearkitektur med Kubernetes. Hans mission er at give organisationer mulighed for at udnytte det fulde potentiale af deres data gennem omfattende end-to-end-løsninger, der omfatter datalagring, tilgængelighed, analyse og forudsigelsesmuligheder.
- 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/simplify-medical-image-classification-using-amazon-sagemaker-canvas/
- :har
- :er
- :hvor
- $OP
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 15 %
- 16
- 17
- 2022
- 30
- 32
- 7
- 8
- 9
- 97
- a
- evne
- I stand
- Om
- akademisk
- adgang
- tilgængelighed
- tilgængelig
- Konto
- nøjagtighed
- præcis
- præcist
- opnå
- anerkende
- faktiske
- adresse
- rettet
- fremme
- fremskreden
- fremskridt
- AI
- Støtte
- LUFT
- algoritmer
- Alle
- tillade
- tillader
- også
- Amazon
- Amazon SageMaker
- Amazon SageMaker lærred
- Amazon Web Services
- amerikansk
- an
- analyse
- analytics
- ,
- enhver
- Anvendelse
- tilgang
- arkitektur
- ER
- omkring
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- AS
- hjælper
- forbundet
- At
- automatisere
- Automatisk Ur
- automatisk
- AWS
- Bagende
- baggrund
- baggrunde
- Balance
- barriere
- baseret
- Basel
- BE
- fordi
- været
- Tro
- jf. nedenstående
- fordele
- BEDSTE
- Bedre
- mellem
- Beyond
- grænse
- Bund
- Boks
- Bringer
- bredere
- bygge
- Bygning
- bygger
- .
- by
- kaldet
- CAN
- Kræft
- canvas
- kapaciteter
- hvilken
- omhyggeligt
- tilfælde
- tilfælde
- katalyserende
- kategorier
- Celler
- center
- vis
- udfordre
- udfordringer
- chance
- odds
- lave om
- karakteristika
- valg
- Vælg
- vælge
- klasse
- klasser
- klassificering
- klinikere
- Cloud
- cloud-tjenester
- kode
- Kodning
- samarbejde
- samling
- farve
- Kolonne
- kombinationer
- Fælles
- overbevisende
- fuldføre
- Fuldender
- komplekse
- omfattende
- computer
- Computer Vision
- Konceptet
- betingelser
- bekræftelse
- BEKRÆFTET
- Konsensus
- består
- Konsol
- forbrug
- indhold
- bidrage
- korrigere
- Tilsvarende
- Omkostninger
- kunne
- skabe
- oprettet
- Oprettelse af
- skabelse
- afgørende
- besværlig
- kurateret
- skøger
- Kunder
- Dangerous
- data
- data opbevaring
- datastyret
- Datavers
- dødsfald
- Beslutningstagning
- afgørelser
- dyb
- dyb dykke
- dyb læring
- fryde
- demokratisering
- demonstrere
- Afhængigt
- indsætte
- implementering
- beskrevet
- konstrueret
- ønskes
- detaljeret
- opdage
- opdaget
- Detektion
- bestemmes
- bestemmelse
- udviklet
- udvikling
- Udvikling
- dialog
- forskellige
- differentiere
- direkte
- diskutere
- Sygdom
- sygdomme
- skelne
- dyk
- do
- Doctor
- Læger
- gør
- domæne
- downloade
- drastisk
- drevet
- Drones
- e
- hver
- tidligere
- Tidligt
- Effektiv
- effektivitet
- indsats
- element
- eliminerer
- selvstændige
- bemyndige
- bemyndiger
- muliggør
- muliggør
- omfatter
- ende til ende
- Forbedrer
- sikre
- Enterprise
- væsentlig
- anslået
- evaluere
- undersøger
- fremskynde
- eksperimenter
- ekspert
- ekspertise
- udforske
- udforsket
- omfattende
- ekstrakt
- f1
- konfronteret
- faktorer
- falsk
- langt
- Feature
- få
- felt
- Figur
- File (Felt)
- fund
- Fornavn
- Fokus
- efter
- Til
- Fosters
- fundet
- fraktion
- fra
- fuld
- funktionalitet
- yderligere
- kløft
- indsamling
- Generelt
- generere
- genererer
- få
- given
- større
- Ground
- Vækst
- vejlede
- seletøj
- Harvard
- Have
- he
- sundhedspleje
- sund
- hjælpe
- hjælpe
- Fremhæv
- hans
- Hit
- besidder
- HOURS
- Hvordan
- How To
- Men
- HTML
- HTTPS
- menneskelig
- Menneskeligt element
- Hundreder
- Hybrid
- i
- ideal
- identificeret
- identificerer
- identificere
- Identity
- if
- billede
- Billedklassificering
- billeder
- KIMOs Succeshistorier
- Påvirkninger
- importere
- vigtigt
- Forbedre
- forbedret
- in
- omfatter
- Herunder
- Inklusive
- Stigninger
- initial
- Innovation
- indsigt
- instans
- medvirkende
- integrere
- integration
- Intelligens
- beregnet
- Intention
- grænseflade
- grænseflader
- ind
- uvurderlig
- IT
- ITS
- selv
- rejse
- jpg
- Nøgle
- viden
- Kumar
- etiket
- mærkning
- Sprog
- stor
- Leads
- læring
- til venstre
- lys
- ligesom
- Liste
- notering
- log
- maskine
- machine learning
- lave
- ledelse
- mange
- matematiske
- Kan..
- måle
- foranstaltninger
- medicinsk
- metoder
- Metrics
- Mikroskopi
- microservices
- minimerer
- minutter
- mangler
- Mission
- ML
- model
- modeller
- modernisere
- overvågning
- mere
- Desuden
- mest
- flere
- navn
- navne
- Natural
- Natural Language Processing
- Natur
- Naviger
- Navigation
- Behov
- behøve
- behov
- negativer
- Ny
- næste
- NIH
- NLP
- nu
- NV
- objekter
- of
- tit
- on
- engang
- ONE
- åbner
- optimal
- Option
- Indstillinger
- or
- organisationer
- Andet
- vores
- ud
- udfald
- skitseret
- output
- i løbet af
- samlet
- egen
- side
- brød
- lidenskab
- lidenskabelige
- patient
- patienter
- per
- ydeevne
- udfører
- Tilladelser
- picks
- lodsning
- afgørende
- planlægning
- plato
- Platon Data Intelligence
- PlatoData
- Leg
- spiller
- Vær venlig
- punkter
- pop-up
- positiv
- mulig
- Indlæg
- potentiale
- potentielt
- magt
- vigtigste
- brug
- Precision
- forudsagde
- forudsigelse
- Forudsigelser
- forudser
- præsentere
- prioriterer
- procedure
- behandle
- forarbejdning
- professionelle partnere
- dyb
- andel
- give
- giver
- leverer
- offentliggjort
- formål
- Hurtig
- hurtigt
- Radio
- rækkevidde
- hellere
- virkelige verden
- rige
- opsving
- reducere
- Reduceret
- reducerer
- henvise
- refererer
- frigive
- relevant
- pålidelighed
- resterne
- erstatte
- repræsentativt
- kræver
- påkrævet
- Kræver
- forskning
- forskere
- Ressourcer
- REST
- Resultater
- højre
- roller
- løber
- sagemaker
- siger
- skalerbar
- score
- ridse
- Skærm
- screening
- Anden
- Sektion
- se
- valgt
- sensorer
- Series
- alvorlig
- tjener
- Serverless
- tjener
- tjeneste
- Tjenester
- sæt
- syv
- Shape
- deling
- Skift
- bør
- udstillingsvindue
- viste
- vist
- Shows
- signifikant
- betydeligt
- Simpelt
- forenklet
- forenkle
- enkelt
- Størrelse
- færdigheder
- hud
- Software
- softwareudvikling
- sol
- løsninger
- Løsninger
- noget
- specialiserede
- speciale
- specifikke
- hastighed
- standard
- starte
- Starter
- starter
- Tilstand
- Status
- Trin
- Steps
- Stands
- opbevaring
- Studere
- vellykket
- Succesfuld
- sådan
- tyder
- sikker
- kirurgisk
- mistænksom
- tager
- tager
- tech
- Teknisk
- teknikker
- prøve
- tests
- tekst
- end
- at
- deres
- Them
- derefter
- Der.
- derved
- Disse
- de
- denne
- dem
- tusinder
- Gennem
- tid
- Tidsserier
- tidskrævende
- rettidig
- til
- værktøj
- værktøjer
- tp
- traditionelle
- Tog
- uddannet
- Kurser
- tog
- overførsel
- transformative
- behandling
- behandling
- sand
- Sandheden
- prøv
- to
- typen
- typer
- typisk
- Ultimativt
- under
- gennemgå
- enestående
- unødvendig
- Brug
- brug
- brug tilfælde
- anvendte
- brugervenlig
- ved brug af
- Værdifuld
- værdi
- række
- forskellige
- verificere
- Specifikation
- synlig
- vision
- afgørende
- vente
- ønsker
- var
- Ur
- we
- web
- webservices
- var
- hvornår
- hvorvidt
- som
- WHO
- vindue
- med
- inden for
- uden
- workshops
- world
- skrivning
- år
- Du
- Din
- zephyrnet
- Zip