Dies ist ein Gast-Blogbeitrag von Nitin Kumar, einem leitenden Datenwissenschaftler bei T and T Consulting Services, Inc.
In diesem Beitrag diskutieren wir den Wert und die potenziellen Auswirkungen des föderierten Lernens im Gesundheitswesen. Dieser Ansatz kann Herzinfarktpatienten, Ärzten und Forschern durch eine schnellere Diagnose, fundiertere Entscheidungsfindung und eine fundiertere, integrativere Forschungsarbeit zu Schlaganfall-bezogenen Gesundheitsproblemen helfen, indem er einen cloudnativen Ansatz mit AWS-Diensten für einen leichten Aufwand und eine unkomplizierte Einführung nutzt .
Diagnoseschwierigkeiten bei Herzinfarkten
Statistiken von der Centers for Disease Control and Prevention (CDC) zeigen, dass in den USA jedes Jahr mehr als 795,000 Menschen ihren ersten Schlaganfall erleiden und etwa 25 % von ihnen wiederkehrende Anfälle erleiden. Es handelt sich um die Todesursache Nummer fünf American Stroke Association und eine der Hauptursachen für Behinderungen in den USA. Daher ist eine schnelle Diagnose und Behandlung von entscheidender Bedeutung, um Hirnschäden und andere Komplikationen bei Patienten mit akutem Schlaganfall zu reduzieren.
CTs und MRTs sind der Goldstandard in der Bildgebungstechnologie zur Klassifizierung verschiedener Subtypen von Schlaganfällen und von entscheidender Bedeutung bei der vorläufigen Beurteilung von Patienten, der Bestimmung der Grundursache und der Behandlung. Eine entscheidende Herausforderung, insbesondere bei akuten Schlaganfällen, ist die Zeit der bildgebenden Diagnostik, die im Durchschnitt zwischen 30 Minuten bis zu einer Stunde und kann je nach Gedränge in der Notaufnahme viel länger dauern.
Ärzte und medizinisches Personal benötigen eine schnelle und genaue Bilddiagnose, um den Zustand eines Patienten beurteilen und Behandlungsoptionen vorschlagen zu können. In den eigenen Worten von Dr. Werner Vogels bei AWS re: Invent 2023„Jede Sekunde, die ein Mensch einen Schlaganfall erleidet, zählt.“ Schlaganfallopfer können in jeder Sekunde, in der sie nicht behandelt werden, etwa 1.9 Milliarden Neuronen verlieren.
Einschränkungen für medizinische Daten
Sie können maschinelles Lernen (ML) nutzen, um Ärzte und Forscher bei Diagnoseaufgaben zu unterstützen und so den Prozess zu beschleunigen. Allerdings liegen die Datensätze, die zum Aufbau der ML-Modelle und zur Erzielung zuverlässiger Ergebnisse erforderlich sind, in Silos über verschiedene Gesundheitssysteme und Organisationen hinweg. Diese isolierten Altdaten können, wenn sie kumuliert werden, enorme Auswirkungen haben. Warum wurde es also noch nicht genutzt?
Bei der Arbeit mit medizinischen Domänendatensätzen und der Entwicklung von ML-Lösungen gibt es zahlreiche Herausforderungen, darunter die Privatsphäre der Patienten, die Sicherheit personenbezogener Daten sowie bestimmte bürokratische und politische Einschränkungen. Darüber hinaus haben Forschungseinrichtungen ihre Datenaustauschpraktiken verschärft. Diese Hindernisse hindern internationale Forschungsteams auch daran, an vielfältigen und umfangreichen Datensätzen zusammenzuarbeiten, was neben anderen Vorteilen Leben retten und Behinderungen verhindern könnte, die durch Herzinfarkte entstehen können.
Richtlinien und Vorschriften wie Allgemeine Datenschutzverordnung (DSGVO), Krankenversicherungs-Portabilitäts- und Rechenschaftsgesetz (HIPPA) und Gesetz zum Schutz der Verbrauchergesetze in Kalifornien (CCPA) legten Schranken für den Austausch von Daten aus dem medizinischen Bereich fest, insbesondere von Patientendaten. Darüber hinaus sind die Datensätze einzelner Institute, Organisationen und Krankenhäuser häufig zu klein, unausgewogen oder weisen eine voreingenommene Verteilung auf, was zu Einschränkungen bei der Modellverallgemeinerung führt.
Föderiertes Lernen: Eine Einführung
Federated Learning (FL) ist eine dezentrale Form von ML – ein dynamischer Engineering-Ansatz. Bei diesem dezentralen ML-Ansatz wird das ML-Modell zwischen Organisationen für Schulungen zu proprietären Datenteilsätzen geteilt, im Gegensatz zu herkömmlichen zentralisierten ML-Schulungen, bei denen das Modell im Allgemeinen auf aggregierten Datensätzen trainiert. Die Daten bleiben hinter den Firewalls oder VPC der Organisation geschützt, während das Modell mit seinen Metadaten geteilt wird.
In der Trainingsphase wird ein globales FL-Modell zwischen den Einheitenorganisationen verbreitet und synchronisiert, um einzelne Datensätze zu trainieren, und ein lokal trainiertes Modell wird zurückgegeben. Das endgültige globale Modell steht zur Erstellung von Vorhersagen für alle Teilnehmer zur Verfügung und kann auch als Grundlage für weitere Schulungen zur Erstellung lokaler benutzerdefinierter Modelle für teilnehmende Organisationen verwendet werden. Es kann auch auf andere Institute ausgeweitet werden. Dieser Ansatz kann die Cybersicherheitsanforderungen für übertragene Daten erheblich reduzieren, da die Übertragung von Daten außerhalb der Unternehmensgrenzen überhaupt nicht mehr erforderlich ist.
Das folgende Diagramm veranschaulicht eine Beispielarchitektur.
In den folgenden Abschnitten diskutieren wir, wie föderiertes Lernen helfen kann.
Die Föderation lernt, den Tag zu retten (und Leben zu retten)
Für eine gute künstliche Intelligenz (KI) braucht man gute Daten.
Legacy-Systeme, die häufig im Bundesbereich zu finden sind, stellen erhebliche Herausforderungen bei der Datenverarbeitung dar, bevor Sie Informationen ableiten oder diese mit neueren Datensätzen zusammenführen können. Dies ist ein Hindernis bei der Bereitstellung wertvoller Informationen für Führungskräfte. Dies kann zu ungenauen Entscheidungen führen, da der Anteil der Altdaten manchmal viel wertvoller ist als der neuere kleine Datensatz. Sie möchten diesen Engpass effektiv und ohne den Arbeitsaufwand manueller Konsolidierungs- und Integrationsbemühungen (einschließlich umständlicher Zuordnungsprozesse) für ältere und neuere Datensätze in Krankenhäusern und Instituten beheben, was in vielen Fällen viele Monate, wenn nicht sogar Jahre dauern kann. Die Altdaten sind sehr wertvoll, da sie wichtige Kontextinformationen enthalten, die für eine genaue Entscheidungsfindung und ein fundiertes Modelltraining erforderlich sind, was zu einer zuverlässigen KI in der realen Welt führt. Die Datendauer informiert über langfristige Schwankungen und Muster im Datensatz, die andernfalls unentdeckt bleiben und zu voreingenommenen und schlecht fundierten Vorhersagen führen würden.
Das Aufbrechen dieser Datensilos, um das ungenutzte Potenzial der verstreuten Daten zu vereinen, kann viele Leben retten und verändern. Es kann auch die Forschung im Zusammenhang mit sekundären Gesundheitsproblemen aufgrund von Herzinfarkten beschleunigen. Diese Lösung kann Ihnen helfen, Erkenntnisse aus Daten auszutauschen, die aufgrund von Richtlinien und anderen Gründen zwischen Instituten isoliert sind, unabhängig davon, ob Sie ein Krankenhaus, ein Forschungsinstitut oder eine andere auf Gesundheitsdaten ausgerichtete Organisation sind. Es kann fundierte Entscheidungen über die Forschungsrichtung und Diagnose ermöglichen. Darüber hinaus entsteht ein zentraler Informationsspeicher über eine sichere, private und globale Wissensdatenbank.
Föderiertes Lernen bietet im Allgemeinen und speziell für medizinische Dateneinstellungen viele Vorteile.
Sicherheits- und Datenschutzfunktionen:
- Hält sensible Daten vom Internet fern und nutzt sie dennoch für ML und nutzt ihre Intelligenz mit differenziertem Datenschutz
- Ermöglicht Ihnen das Erstellen, Trainieren und Bereitstellen unvoreingenommener und robuster Modelle nicht nur auf Maschinen, sondern auch in Netzwerken, ohne dass Risiken für die Datensicherheit entstehen
- Überwindet die Hürden, die dadurch entstehen, dass mehrere Anbieter die Daten verwalten
- Macht den standortübergreifenden Datenaustausch und die globale Governance überflüssig
- Schützt die Privatsphäre durch differenzielle Privatsphäre und bietet sichere Mehrparteienberechnung mit lokaler Schulung
Leistungsverbesserungen:
- Behebt das Problem der geringen Probengröße im Bereich der medizinischen Bildgebung und der kostspieligen Etikettierungsprozesse
- Gleicht die Verteilung der Daten aus
- Ermöglicht Ihnen die Integration der meisten herkömmlichen ML- und Deep-Learning-Methoden (DL).
- Verwendet gepoolte Bildsätze, um die statistische Aussagekraft zu verbessern und die Beschränkung der Stichprobengröße einzelner Institutionen zu überwinden
Vorteile der Resilienz:
- Sollte sich eine Partei dazu entschließen, zu gehen, wird das die Ausbildung nicht behindern
- Ein neues Krankenhaus oder Institut kann jederzeit beitreten; Es ist nicht auf einen bestimmten Datensatz mit einer Knotenorganisation angewiesen
- Es sind keine umfangreichen Data-Engineering-Pipelines für die über große geografische Standorte verteilten Altdaten erforderlich
Diese Funktionen können dazu beitragen, die Mauern zwischen Institutionen, die isolierte Datensätze auf ähnlichen Domänen hosten, einzureißen. Die Lösung kann zu einem Kraftmultiplikator werden, indem sie die einheitliche Leistungsfähigkeit verteilter Datensätze nutzt und die Effizienz verbessert, indem sie den Skalierbarkeitsaspekt ohne großen Infrastrukturaufwand radikal verändert. Dieser Ansatz hilft ML, sein volles Potenzial auszuschöpfen und auf klinischer Ebene und nicht nur in der Forschung kompetent zu werden.
Föderiertes Lernen weist eine vergleichbare Leistung wie reguläres ML auf, wie im Folgenden gezeigt wird Experiment von NVidia Clara (auf Medical Modal ARchive (MMAR) unter Verwendung des BRATS2018-Datensatzes). Hier erreichte FL eine vergleichbare Segmentierungsleistung im Vergleich zum Training mit zentralisierten Daten: über 80 % mit etwa 600 Epochen beim Training einer multimodalen, mehrklassigen Hirntumor-Segmentierungsaufgabe.
Föderiertes Lernen wurde kürzlich in einigen medizinischen Teilbereichen für Anwendungsfälle getestet, darunter Patientenähnlichkeitslernen, Patientenrepräsentationslernen, Phänotypisierung und prädiktive Modellierung.
Anwendungsentwurf: Föderiertes Lernen macht es möglich und unkompliziert
Um mit FL zu beginnen, können Sie aus vielen hochwertigen Datensätzen wählen. Zu den Datensätzen mit Gehirnbildern gehören beispielsweise HALTEN (Autism Brain Imaging Data Exchange-Initiative), ADNI (Alzheimer-Neuroimaging-Initiative), RSNA (Radiological Society of North America) Gehirn-CT, BraTS (Multimodal Brain Tumor Image Segmentation Benchmark) wird regelmäßig für die Brain Tumor Segmentation Challenge unten aktualisiert UPenn (University of Pennsylvania), UK BioBank (im Folgenden behandelt: NIH Krepppapier), Und IXIA. Ebenso können Sie für Herzbilder aus mehreren öffentlich verfügbaren Optionen wählen, einschließlich ACDC (Automatic Cardiac Diagnosis Challenge), einem kardialen MRT-Bewertungsdatensatz mit vollständiger Anmerkung, der im Folgenden von der National Library of Medicine erwähnt wird Krepppapierund M&M (Multi-Center, Multi-Vendor und Multi-Disease) Cardiac Segmentation Challenge, die im Folgenden erwähnt werden IEEE Papier.
Die folgenden Bilder zeigen a probabilistische Läsionsüberlappungskarte für die primären Läsionen aus dem ATLAS R1.1-Datensatz. (Schlaganfälle sind eine der häufigsten Ursachen für Hirnläsionen Cleveland Clinic.)
Für Daten aus elektronischen Gesundheitsakten (EHR) stehen einige Datensätze zur Verfügung, die dem folgen Schnelle Interoperabilitätsressourcen für das Gesundheitswesen (FHIR)-Standard. Dieser Standard hilft Ihnen beim Aufbau unkomplizierter Pilotprojekte, indem er bestimmte Herausforderungen bei heterogenen, nicht normalisierten Datensätzen beseitigt und einen nahtlosen und sicheren Austausch, gemeinsame Nutzung und Integration von Datensätzen ermöglicht. Das FHIR ermöglicht maximale Interoperabilität. Beispiele für Datensätze sind: MIMIC-IV (Medizinischer Informationsmarkt für Intensivpflege). Zu den weiteren qualitativ hochwertigen Datensätzen, die derzeit nicht FHIR sind, aber leicht konvertiert werden können, gehören: Zentren für Medicare & Medicaid Services (CMS) Public Use Files (PUF) und Kollaborative Forschungsdatenbank der eICU vom MIT (Massachusetts Institute of Technology). Es werden auch andere Ressourcen verfügbar, die FHIR-basierte Datensätze anbieten.
Der Lebenszyklus für die Implementierung von FL kann Folgendes umfassen Schritte: Aufgabeninitialisierung, Auswahl, Konfiguration, Modellschulung, Client/Server-Kommunikation, Planung und Optimierung, Versionierung, Tests, Bereitstellung und Beendigung. Die Vorbereitung medizinischer Bilddaten für herkömmliches ML erfordert viele zeitintensive Schritte, wie im Folgenden beschrieben Krepppapier. In einigen Szenarien sind möglicherweise Domänenkenntnisse erforderlich, um rohe Patientendaten vorzuverarbeiten, insbesondere aufgrund ihrer sensiblen und privaten Natur. Diese können für FL konsolidiert und manchmal eliminiert werden, was entscheidende Zeit für das Training spart und schnellere Ergebnisse liefert.
Sytemimplementierung
FL-Tools und -Bibliotheken sind mit breiter Unterstützung gewachsen und machen es einfacher, FL ohne schweren Deckenlift zu verwenden. Für den Einstieg stehen viele gute Ressourcen und Framework-Optionen zur Verfügung. Sie können sich auf Folgendes beziehen umfangreiche Liste der beliebtesten Frameworks und Tools im FL-Bereich, einschließlich PySyft, FedML, BLÜTEN, OpenFL, FATE, TensorFlow Federated und NVFlare. Es bietet eine Liste von Projekten für Einsteiger, mit denen Sie schnell beginnen und darauf aufbauen können.
Sie können einen Cloud-nativen Ansatz mit implementieren Amazon Sage Maker das funktioniert nahtlos mit AWS VPC-PeeringDadurch wird das Training jedes Knotens in einem privaten Subnetz in seiner jeweiligen VPC gehalten und die Kommunikation über private IPv4-Adressen ermöglicht. Darüber hinaus bietet Modelhosting an Amazon SageMaker-JumpStart kann helfen, indem es die Endpunkt-API verfügbar macht, ohne Modellgewichte zu teilen.
Es beseitigt auch potenzielle Herausforderungen bei der Rechenleistung auf hoher Ebene mit lokaler Hardware Amazon Elastic Compute-Cloud (Amazon EC2)-Ressourcen. Sie können den FL-Client und die FL-Server auf AWS implementieren mit SageMaker-Notizbücher machen Amazon Simple Storage-Service (Amazon S3), sorgen für einen regulierten Zugriff auf die Daten und das Modell mit AWS Identity and Access Management and (IAM) Rollen und Verwendung AWS-Sicherheitstoken-Service (AWS STS) für clientseitige Sicherheit. Sie können mit Amazon EC2 auch Ihr eigenes benutzerdefiniertes System für FL erstellen.
Für einen detaillierten Überblick über die Implementierung von FL mit dem BLÜTEN Framework zu SageMaker und eine Diskussion seines Unterschieds zum verteilten Training finden Sie unter Maschinelles Lernen mit dezentralen Trainingsdaten mithilfe von föderiertem Lernen auf Amazon SageMaker.
Die folgenden Abbildungen veranschaulichen die Architektur des Transferlernens in Florida.
Bewältigung der Datenherausforderungen in Florida
Föderiertes Lernen bringt eigene Herausforderungen in Bezug auf Daten mit sich, darunter Datenschutz und Sicherheit, die jedoch einfach zu bewältigen sind. Zunächst müssen Sie das Problem der Datenheterogenität bei medizinischen Bildgebungsdaten angehen, das aus der Speicherung von Daten an verschiedenen Standorten und teilnehmenden Organisationen entsteht, bekannt als a Domänenverschiebung Problem (auch bezeichnet als Kundenwechsel in einem FL-System), wie Guan und Liu im Folgenden hervorheben Krepppapier. Dies kann zu einer unterschiedlichen Konvergenz des globalen Modells führen.
Weitere zu berücksichtigende Komponenten sind die Sicherstellung der Datenqualität und -einheitlichkeit an der Quelle, die Einbeziehung von Expertenwissen in den Lernprozess, um bei Medizinern Vertrauen in das System zu schaffen, und das Erreichen von Modellpräzision. Weitere Informationen zu einigen potenziellen Herausforderungen, denen Sie bei der Implementierung begegnen können, finden Sie im Folgenden Krepppapier.
AWS hilft Ihnen, diese Herausforderungen mit Funktionen wie der flexiblen Rechenleistung von Amazon EC2 und vorgefertigten Lösungen zu meistern Docker-Bilder in SageMaker für eine einfache Bereitstellung. Sie können clientseitige Probleme wie unausgeglichene Daten- und Rechenressourcen für jede Knotenorganisation lösen. Sie können damit serverseitige Lernprobleme wie Poisoning-Angriffe von böswilligen Parteien angehen Amazon Virtual Private Cloud (Amazon-VPC), Sicherheitsgruppenund andere Sicherheitsstandards, um Clientkorruption zu verhindern und AWS-Dienste zur Erkennung von Anomalien zu implementieren.
AWS hilft auch bei der Bewältigung realer Implementierungsherausforderungen, zu denen Integrationsprobleme, Kompatibilitätsprobleme mit aktuellen oder älteren Krankenhaussystemen und Hürden bei der Benutzerakzeptanz gehören können, indem es flexible, benutzerfreundliche und mühelose Aufzugstechnologielösungen anbietet.
Mit AWS-Services können Sie groß angelegte FL-basierte Forschung sowie klinische Implementierung und Bereitstellung ermöglichen, die an verschiedenen Standorten auf der ganzen Welt stattfinden können.
Aktuelle Richtlinien zur Interoperabilität unterstreichen die Notwendigkeit eines föderierten Lernens
Viele kürzlich von der Regierung verabschiedete Gesetze konzentrieren sich auf die Dateninteroperabilität und unterstreichen die Notwendigkeit einer organisationsübergreifenden Interoperabilität von Daten für Geheimdienstzwecke. Dies kann durch die Verwendung von FL erreicht werden, einschließlich Frameworks wie dem TEFCA (Trusted Exchange Framework und Common Agreement) und die erweiterte USCDI (United States Core Data for Interoperability).
Die vorgeschlagene Idee trägt auch zur Erfassungs- und Verteilungsinitiative des CDC bei CDC macht Fortschritte. Das folgende Zitat aus dem GovCIO-Artikel Datenaustausch und KI sind die obersten Prioritäten des Bundesgesundheitsamts im Jahr 2024 greift ebenfalls ein ähnliches Thema auf: „Diese Funktionen können auch die Öffentlichkeit auf gerechte Weise unterstützen, indem sie Patienten dort abholen, wo sie sind, und ihnen den entscheidenden Zugang zu diesen Diensten ermöglichen.“ Ein Großteil dieser Arbeit hängt von den Daten ab.“
Dies kann medizinischen Instituten und Behörden im ganzen Land (und auf der ganzen Welt) bei Datensilos helfen. Sie können von der nahtlosen und sicheren Integration und Dateninteroperabilität profitieren und medizinische Daten für wirkungsvolle ML-basierte Vorhersagen und Mustererkennung nutzbar machen. Sie können mit Bildern beginnen, aber der Ansatz ist auch auf alle EHR anwendbar. Ziel ist es, den besten Ansatz für Datenakteure zu finden, mit einer Cloud-nativen Pipeline zur Normalisierung und Standardisierung der Daten oder zur direkten Nutzung für FL.
Sehen wir uns einen Beispielanwendungsfall an. Bildgebungsdaten und Scans von Herzinfarkten sind im ganzen Land und auf der ganzen Welt verstreut, liegen in isolierten Silos in Instituten, Universitäten und Krankenhäusern und sind durch bürokratische, geografische und politische Grenzen getrennt. Es gibt keine einzige aggregierte Quelle und keine einfache Möglichkeit für medizinische Fachkräfte (Nicht-Programmierer), daraus Erkenntnisse zu gewinnen. Gleichzeitig ist es nicht möglich, ML- und DL-Modelle anhand dieser Daten zu trainieren, was Medizinern helfen könnte, in kritischen Zeiten schnellere und genauere Entscheidungen zu treffen, wenn es Stunden dauern kann, bis Herzscans eingehen, während das Leben des Patienten auf der Kippe stehen könnte Gleichgewicht.
Weitere bekannte Anwendungsfälle sind: Töpfe (Online-Tracking-System für den Einkauf) unter NIH (National Institutes of Health) und Cybersicherheit für verstreute und abgestufte Informationslösungsanforderungen an COMCOMs/MAJCOMs-Standorten auf der ganzen Welt.
Zusammenfassung
Föderiertes Lernen ist vielversprechend für die Analyse und Intelligenz älterer Gesundheitsdaten. Die Implementierung einer Cloud-nativen Lösung mit AWS-Diensten ist unkompliziert und FL ist besonders hilfreich für medizinische Organisationen mit Altdaten und technischen Herausforderungen. FL kann potenzielle Auswirkungen auf den gesamten Behandlungszyklus haben, und jetzt noch mehr, da der Schwerpunkt auf der Dateninteroperabilität großer Bundesorganisationen und Regierungsführern liegt.
Diese Lösung kann Ihnen helfen, das Rad nicht neu zu erfinden und die neueste Technologie zu nutzen, um einen Schritt von Altsystemen zu machen und in dieser sich ständig weiterentwickelnden Welt der KI an der Spitze zu stehen. Sie können auch führend werden für Best Practices und einen effizienten Ansatz zur Dateninteroperabilität innerhalb und zwischen Behörden und Instituten im Gesundheitsbereich und darüber hinaus. Wenn Sie ein Institut oder eine Behörde mit über das ganze Land verstreuten Datensilos sind, können Sie von dieser nahtlosen und sicheren Integration profitieren.
Der Inhalt und die Meinungen in diesem Beitrag stammen vom Drittautor und AWS ist nicht für den Inhalt oder die Richtigkeit dieses Beitrags verantwortlich. Es liegt in der Verantwortung jedes Kunden, festzustellen, ob er dem HIPAA unterliegt, und wenn ja, wie er HIPAA und seine Durchführungsbestimmungen am besten einhalten kann. Vor der Nutzung von AWS in Verbindung mit geschützten Gesundheitsinformationen müssen Kunden ein AWS Business Associate Addendum (BAA) einreichen und dessen Konfigurationsanforderungen befolgen.
Über den Autor
Nitin Kumar (MS, CMU) ist leitender Datenwissenschaftler bei T and T Consulting Services, Inc. Er verfügt über umfangreiche Erfahrung mit F&E-Prototyping, Gesundheitsinformatik, Daten des öffentlichen Sektors und Dateninteroperabilität. Er wendet sein Wissen über modernste Forschungsmethoden auf den Bundessektor an, um innovative technische Dokumente, POCs und MVPs zu liefern. Er hat mit mehreren Bundesbehörden zusammengearbeitet, um deren Daten- und KI-Ziele voranzutreiben. Zu Nitins weiteren Schwerpunkten gehören die Verarbeitung natürlicher Sprache (NLP), Datenpipelines und generative KI.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/enable-data-sharing-through-federated-learning-a-policy-approach-for-chief-digital-officers/
- :hast
- :Ist
- :nicht
- :Wo
- $UP
- 000
- 1
- 100
- 116
- 130
- 600
- 7
- 9
- a
- Über uns
- beschleunigen
- Zugang
- Nach
- Rechenschaftspflicht
- Genauigkeit
- genau
- erreicht
- Erreichen
- ACM
- über
- zusätzlich
- Adresse
- Adressen
- Adressierung
- Adoption
- vorantreiben
- Agenturen
- Agentur
- aggregiert
- Zustimmung
- AI
- Alle
- Zulassen
- ebenfalls
- Alzheimer
- Amazon
- Amazon EC2
- Amazon Web Services
- Amerika
- unter
- an
- Analytik
- machen
- Anomalieerkennung
- jedem
- Bienen
- anwendbar
- gilt
- Ansatz
- ca.
- Architektur
- Archiv
- SIND
- Bereiche
- entstehen
- um
- Artikel
- künstlich
- künstliche Intelligenz
- Künstliche Intelligenz (AI)
- AS
- Aussehen
- Bewertung
- helfen
- Partnerschaftsräte
- At
- Anschläge
- Autor
- Autismus
- automatische
- verfügbar
- durchschnittlich
- vermeiden
- ein Weg
- AWS
- Balance
- Base
- BE
- weil
- werden
- Werden
- war
- Bevor
- hinter
- Sein
- Benchmark
- Nutzen
- Vorteile
- BESTE
- Best Practices
- zwischen
- Beyond
- voreingenommen
- Milliarde
- Blog
- Entwurf
- stärken
- Engpass
- Grenzen
- Gehirn
- bringen
- bauen
- Building
- bürokratisch
- Geschäft
- aber
- by
- CA
- CAN
- Fähigkeiten
- Erfassung
- österreichische Unternehmen
- Häuser
- Fälle
- Verursachen
- Ursachen
- CCPA
- CDC
- zentralisierte
- sicher
- challenges
- Herausforderungen
- Chef
- Auswählen
- Clara
- Auftraggeber
- Klinische
- cms
- kollaborative
- wie die
- kommt
- gemeinsam
- Kommunikation
- vergleichbar
- verglichen
- Kompatibilität
- entsprechen
- Komponenten
- Berechnung
- Berechnen
- Zustand
- Vertrauen
- Konfiguration
- Verbindung
- Berücksichtigung
- Festigung
- Einschränkungen
- Consulting
- Verbraucher
- Privatsphäre der Verbraucher
- Inhalt
- kontextuelle
- trägt dazu bei
- Smartgeräte App
- Konvergenz
- umgewandelt
- Kernbereich
- Korruption
- teuer werden
- könnte
- Land
- bedeckt
- kritischem
- wichtig
- schwerfällig
- Strom
- Zur Zeit
- Original
- Kunden
- innovativ, auf dem neuesten Stand
- Internet-Sicherheit
- Zyklus
- Organschäden
- technische Daten
- Datenanalyse
- Data Exchange
- Datenverarbeitung
- Datenschutz
- Datenwissenschaftler
- Datensicherheit
- Datenübertragung
- Datensätze
- Tag
- Tod
- dezentralisiert
- Decision Making
- Entscheidungen
- tief
- tiefe Lernen
- Übergeben
- Abteilung
- Abhängig
- einsetzen
- Einsatz
- ableiten
- beschrieben
- detailliert
- Entdeckung
- Bestimmen
- Festlegung
- Diagnose
- Diagramm
- Unterschied
- anders
- digital
- Richtung
- Direkt
- Behinderungen
- diskutieren
- Diskussion
- Krankheit
- verteilt
- verteiltes Training
- Verteilung
- verschieden
- Ärzte
- Domain
- Domains
- nach unten
- dr
- zwei
- Dauer
- im
- dynamisch
- jeder
- leicht
- Einfache
- einfach zu bedienende
- Echos
- effektiv
- Effizienz
- effizient
- mühelos
- Bemühungen
- elektronisch
- Elektronische Gesundheitsakten
- eliminiert
- Notfall
- ermöglichen
- ermöglicht
- ermöglichen
- Endpunkt
- Entwicklung
- angereichert
- Gewährleistung
- Enter
- Ganz
- Epochen
- gerecht
- insbesondere
- bewerten
- Sogar
- Jedes
- jedermann
- Beispiel
- Beispiele
- Austausch-
- ergänzt
- ERFAHRUNGEN
- Experte
- ERKUNDEN
- verlängert
- umfangreiche
- Langjährige Erfahrung
- Extrakt
- Gesicht
- beschleunigt
- möglich
- Eigenschaften
- Bundes-
- föderiert
- wenige
- Feld
- Zahlen
- Mappen
- Finale
- Finden Sie
- Firewalls
- Vorname
- fünf
- flexibel
- Setzen Sie mit Achtsamkeit
- folgen
- Folgende
- Aussichten für
- Zwingen
- Vordergrund
- unten stehende Formular
- gefunden
- Unser Ansatz
- Gerüste
- häufig
- für
- voller
- weiter
- Außerdem
- DSGVO
- Allgemeines
- allgemein
- generativ
- Generative KI
- geographisch
- bekommen
- ABSICHT
- Global
- Globus
- Go
- Kundenziele
- Ziele
- Gold
- Gold Standard
- gut
- der Regierung
- Regierungschefs
- groß
- gewachsen
- GUEST
- Hardware
- Gurte
- Nutzen
- Haben
- he
- Gesundheit
- Gesundheitsinformationen
- Gesundheitswesen
- Herz
- schwer
- Hilfe
- hilfreich
- hilft
- hier
- High-Level
- hochwertige
- Hervorheben
- Besondere
- behindern
- seine
- hält
- Krankenhaus
- Krankenhäuser
- Hosting
- STUNDEN
- Ultraschall
- aber
- HTML
- http
- HTTPS
- Hürden
- Idee
- Identitätsschutz
- IEEE
- if
- veranschaulichen
- zeigt
- Image
- Bilder
- Imaging
- Impact der HXNUMXO Observatorien
- schlagkräftig
- implementieren
- Implementierung
- Umsetzung
- wichtig
- zu unterstützen,
- Verbesserungen
- Verbesserung
- in
- ungenau
- Inc.
- das
- Einschließlich
- Inklusive
- integrieren
- einarbeiten
- Krankengymnastik
- Information
- informiert
- Informiert
- Infrastruktur
- Initiative
- innovativ
- Einblicke
- inspirieren
- Institut
- Institutionen
- Versicherung
- Integration
- Intelligenz
- International
- Internet
- Flexible Kommunikation
- in
- isoliert
- Probleme
- IT
- SEINE
- join
- jpeg
- jpg
- nur
- Aufbewahrung
- Wissen
- bekannt
- kumar
- Beschriftung
- Sprache
- grosse
- großflächig
- neueste
- Gesetze
- führen
- Führer
- Führung
- führenden
- Springen
- lernen
- Verlassen
- Legacy
- Niveau
- Bibliotheken
- Bibliothek
- Lebensdauer
- Lebenszyklus
- leicht
- Gefällt mir
- Einschränkung
- Liste
- Leben
- aus einer regionalen
- Standorte
- langfristig
- länger
- verlieren
- Los
- Maschine
- Maschinelles Lernen
- Maschinen
- halten
- um
- MACHT
- Making
- böswilligen
- flächendeckende Gesundheitsprogramme
- manuell
- viele
- Karte
- Mapping
- Massachusetts
- Massachusetts Institute of Technology
- massiv
- maximal
- Kann..
- sowie medizinische
- medizinische Daten
- Behandeln
- Medizin
- Treffen
- erwähnt
- Merge
- Metadaten
- Methoden
- könnte
- Minuten
- MIT
- ML
- Modell
- Modellieren
- für
- mehr
- vor allem warme
- Am beliebtesten
- ziehen um
- MRI
- viel
- Mehrpartei
- mehrere
- sollen
- MVPs
- National
- Nationales Gesundheitsinstitut
- Natürliche
- Verarbeitung natürlicher Sprache
- Natur
- Need
- erforderlich
- Bedürfnisse
- Netzwerke
- Neuronen
- Neu
- neuer
- NIH
- Nlp
- nicht
- Knoten
- Norden
- Nordamerika
- jetzt an
- Anzahl
- Nvidia
- Hindernis
- Hindernisse
- of
- bieten
- bieten
- Angebote
- Offiziere
- vorgenommen,
- on
- EINEM
- Online
- Meinungen
- Optimierung
- Optionen
- or
- Organisation
- Organisationen
- Andere
- Andernfalls
- aussen
- übrig
- Überwindung
- oben
- überlappen
- Überblick
- besitzen
- Papier
- Papiere
- Teilnehmer
- teilnehmend
- Parteien
- Party
- Bestanden
- Vertrauen bei Patienten
- Patienten
- Schnittmuster
- Muster
- Pennsylvania
- Personen
- Leistung
- person
- persönliche
- Daten
- Phase
- Piloten
- Pipeline
- Plato
- Datenintelligenz von Plato
- PlatoData
- Vergiftung
- Politik durchzulesen
- Datenschutzrichtlinien
- politisch
- Beliebt
- Portabilität
- Pose
- möglich
- Post
- Potenzial
- Werkzeuge
- Kräfte
- Praktiken
- Präzision
- Prognosen
- vorläufig
- Vorbereitung
- verhindern
- Verhütung
- primär
- Datenschutz
- Datenschutz und Sicherheit
- privat
- Aufgabenstellung:
- Probleme
- Prozessdefinierung
- anpassen
- Verarbeitung
- Profis
- Projekte
- Versprechen
- Anteil
- bietet
- vorgeschlage
- Eigentums-
- geschützt
- Sicherheit
- Prototyping
- bietet
- Bereitstellung
- Öffentlichkeit
- öffentlich
- Kauf
- setzen
- Qualität
- Direkt
- schnell
- ganz
- Angebot!
- F&E
- radikal
- Bereiche
- Roh
- RE
- erreichen
- echt
- realen Welt
- Gründe
- kürzlich
- Anerkennung
- Aufzeichnungen
- wiederkehrend
- Veteran
- siehe
- bezeichnet
- regulär
- regelmäßig
- geregelt
- Vorschriften
- bezogene
- zuverlässig
- Entfernen
- Quelle
- Darstellung
- Voraussetzungen:
- Forschungsprojekte
- Forschungseinrichtungen
- Forscher
- lösen
- Downloads
- diejenigen
- Verantwortung
- für ihren Verlust verantwortlich.
- Einschränkungen
- Folge
- Die Ergebnisse
- Reiches
- robust
- Rollen
- Wurzel
- sagemaker
- gleich
- Sample
- Speichern
- Einsparung
- Skalierbarkeit
- scannt
- verstreut
- Szenarien
- Planung
- Wissenschaftler
- nahtlos
- nahtlos
- Zweite
- Sekundär-
- Abschnitte
- Bibliotheken
- Verbindung
- Sicherheitdienst
- Sicherheitstoken
- Segmentierung
- Auswahl
- empfindlich
- Fertige Server
- Dienstleistungen
- Sets
- Einstellungen
- mehrere
- Teilen
- von Locals geführtes
- ,,teilen"
- erklären
- gezeigt
- signifikant
- bedeutend
- Silos
- ähnlich
- Ähnlich
- Einfacher
- Single
- Seiten
- Sitzend
- Größe
- klein
- So
- Gesellschaft
- Lösung
- Lösungen
- einige
- manchmal
- Quelle
- Raumfahrt
- spezifisch
- speziell
- Unser Team
- Stakeholder
- Standard
- Normen
- Anfang
- begonnen
- Staaten
- statistisch
- Shritte
- Immer noch
- Lagerung
- gelagert
- einfach
- Fach
- Subnetz
- Support
- System
- Systeme und Techniken
- Nehmen
- nimmt
- Aufgabe
- und Aufgaben
- Teams
- Tech
- Technische
- Technologies
- Technologie
- Tensorfluss
- getestet
- Testen
- als
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- Die Quelle
- die Welt
- ihr
- Sie
- Thema
- Dort.
- damit
- deswegen
- Diese
- vom Nutzer definierten
- basierte Online-to-Offline-Werbezuordnungen von anderen gab.
- fehlen uns die Worte.
- diejenigen
- Durch
- anziehen
- Zeit
- mal
- zu
- gemeinsam
- Zeichen
- auch
- Werkzeuge
- Top
- gegenüber
- Tracking
- traditionell
- Training
- trainiert
- Ausbildung
- schult Ehrenamtliche
- privaten Transfer
- Transformieren
- Transformieren
- Transit
- behandelt
- Behandlungen
- vertraut
- Uk
- unvoreingenommen
- für
- einheitlich
- Einheit
- vereinen
- Vereinigt
- USA
- Universitäten
- Universität
- nicht wie
- Entriegelung
- ungenutzt
- aktualisiert
- auf
- us
- verwendbar
- -
- Anwendungsfall
- benutzt
- Mitglied
- Benutzerübernahme
- verwendet
- Verwendung von
- wertvoll
- Wert
- Variationen
- verschiedene
- Anbieter
- Opfer
- Assistent
- wollen
- Weg..
- we
- Netz
- Web-Services
- GUT
- Rad
- wann
- ob
- welche
- während
- warum
- weit verbreitet
- mit
- .
- ohne
- Worte
- Arbeiten
- gearbeitet
- arbeiten,
- Werk
- weltweit wie ausgehandelt und gekauft ausgeführt wird.
- würde
- geschrieben
- Jahr
- Jahr
- noch
- Du
- Ihr
- Zephyrnet