Η ανάλυση ιατρικών εικόνων παίζει καθοριστικό ρόλο στη διάγνωση και τη θεραπεία ασθενειών. Η δυνατότητα αυτοματοποίησης αυτής της διαδικασίας χρησιμοποιώντας τεχνικές μηχανικής μάθησης (ML) επιτρέπει στους επαγγελματίες υγείας να διαγνώσουν πιο γρήγορα ορισμένους καρκίνους, στεφανιαίες παθήσεις και οφθαλμολογικές παθήσεις. Ωστόσο, μια από τις βασικές προκλήσεις που αντιμετωπίζουν οι κλινικοί γιατροί και οι ερευνητές σε αυτόν τον τομέα είναι η χρονοβόρα και πολύπλοκη φύση της κατασκευής μοντέλων ML για ταξινόμηση εικόνων. Οι παραδοσιακές μέθοδοι απαιτούν τεχνογνωσία κωδικοποίησης και εκτεταμένη γνώση των αλγορίθμων ML, κάτι που μπορεί να αποτελέσει εμπόδιο για πολλούς επαγγελματίες υγείας.
Για να αντιμετωπίσουμε αυτό το κενό, χρησιμοποιήσαμε Καμβάς Amazon SageMaker, ένα οπτικό εργαλείο που επιτρέπει στους ιατρούς να δημιουργούν και να αναπτύσσουν μοντέλα ML χωρίς κωδικοποίηση ή εξειδικευμένες γνώσεις. Αυτή η φιλική προς τον χρήστη προσέγγιση εξαλείφει την απότομη καμπύλη μάθησης που σχετίζεται με την ML, η οποία απελευθερώνει τους κλινικούς ιατρούς να εστιάσουν στους ασθενείς τους.
Το Amazon SageMaker Canvas παρέχει μια διεπαφή μεταφοράς και απόθεσης για τη δημιουργία μοντέλων ML. Οι κλινικοί γιατροί μπορούν να επιλέξουν τα δεδομένα που θέλουν να χρησιμοποιήσουν, να καθορίσουν την επιθυμητή έξοδο και, στη συνέχεια, να παρακολουθήσουν καθώς δημιουργεί και εκπαιδεύει αυτόματα το μοντέλο. Μόλις το μοντέλο εκπαιδευτεί, παράγει ακριβείς προβλέψεις.
Αυτή η προσέγγιση είναι ιδανική για ιατρούς που θέλουν να χρησιμοποιήσουν την ML για να βελτιώσουν τις αποφάσεις τους για τη διάγνωση και τη θεραπεία. Με το Amazon SageMaker Canvas, μπορούν να χρησιμοποιήσουν τη δύναμη της ML για να βοηθήσουν τους ασθενείς τους, χωρίς να χρειάζεται να είναι ειδικός σε ML.
Η ταξινόμηση ιατρικών εικόνων επηρεάζει άμεσα τα αποτελέσματα των ασθενών και την αποτελεσματικότητα της υγειονομικής περίθαλψης. Η έγκαιρη και ακριβής ταξινόμηση των ιατρικών εικόνων επιτρέπει την έγκαιρη ανίχνευση ασθενειών που βοηθά στον αποτελεσματικό σχεδιασμό και παρακολούθηση της θεραπείας. Επιπλέον, ο εκδημοκρατισμός της ML μέσω προσβάσιμων διεπαφών όπως το Amazon SageMaker Canvas, δίνει τη δυνατότητα σε ένα ευρύτερο φάσμα επαγγελματιών υγείας, συμπεριλαμβανομένων εκείνων χωρίς εκτεταμένο τεχνικό υπόβαθρο, να συνεισφέρουν στον τομέα της ανάλυσης ιατρικών εικόνων. Αυτή η προσέγγιση χωρίς αποκλεισμούς προωθεί τη συνεργασία και την ανταλλαγή γνώσεων και τελικά οδηγεί σε προόδους στην έρευνα στον τομέα της υγειονομικής περίθαλψης και σε βελτιωμένη φροντίδα των ασθενών.
Σε αυτήν την ανάρτηση, θα εξερευνήσουμε τις δυνατότητες του Amazon SageMaker Canvas στην ταξινόμηση ιατρικών εικόνων, θα συζητήσουμε τα οφέλη του και θα επισημάνουμε περιπτώσεις χρήσης πραγματικού κόσμου που καταδεικνύουν τον αντίκτυπό του στα ιατρικά διαγνωστικά.
Περίπτωση χρήσης
Ο καρκίνος του δέρματος είναι μια σοβαρή και δυνητικά θανατηφόρα ασθένεια και όσο νωρίτερα ανιχνευθεί, τόσο περισσότερες πιθανότητες υπάρχουν για επιτυχή θεραπεία. Στατιστικά, ο καρκίνος του δέρματος (π.χ. βασικοκυτταρικό και ακανθοκυτταρικό καρκίνωμα) είναι ένας από τους πιο συνηθισμένους τύπους καρκίνου και οδηγεί σε εκατοντάδες χιλιάδες θανάτους παγκόσμιος κάθε χρόνο. Εκδηλώνεται μέσω της μη φυσιολογικής ανάπτυξης των κυττάρων του δέρματος.
Ωστόσο, η έγκαιρη διάγνωση αυξάνει δραστικά τις πιθανότητες ανάρρωσης. Επιπλέον, μπορεί να καταστήσει περιττές τις χειρουργικές, ακτινογραφικές ή χημειοθεραπευτικές θεραπείες ή να μειώσει τη συνολική χρήση τους, συμβάλλοντας στη μείωση του κόστους υγειονομικής περίθαλψης.
Η διαδικασία διάγνωσης του καρκίνου του δέρματος ξεκινά με μια διαδικασία που ονομάζεται δερμοσκόπηση[1], η οποία επιθεωρεί τα γενικά χαρακτηριστικά σχήματος, μεγέθους και χρώματος των δερματικών βλαβών. Οι ύποπτες βλάβες στη συνέχεια υποβάλλονται σε περαιτέρω δειγματοληψία και ιστολογικές εξετάσεις για επιβεβαίωση του τύπου καρκινικού κυττάρου. Οι γιατροί χρησιμοποιούν πολλαπλές μεθόδους για την ανίχνευση του καρκίνου του δέρματος, ξεκινώντας από την οπτική ανίχνευση. Το Αμερικανικό Κέντρο για τη Μελέτη της Δερματολογίας ανέπτυξε έναν οδηγό για το πιθανό σχήμα του μελανώματος, ο οποίος ονομάζεται Α Β Γ Δ (ασυμμετρία, περίγραμμα, χρώμα, διάμετρος) και χρησιμοποιείται από τους γιατρούς για τον αρχικό έλεγχο της νόσου. Εάν εντοπιστεί ύποπτη δερματική βλάβη, τότε ο γιατρός λαμβάνει βιοψία της ορατής βλάβης στο δέρμα και την εξετάζει μικροσκοπικά για καλοήθη ή κακοήθη διάγνωση και τον τύπο του καρκίνου του δέρματος. Τα μοντέλα υπολογιστικής όρασης μπορούν να διαδραματίσουν πολύτιμο ρόλο βοηθώντας στον εντοπισμό ύποπτων σπίλων ή βλαβών, γεγονός που καθιστά δυνατή την έγκαιρη και πιο ακριβή διάγνωση.
Η δημιουργία ενός μοντέλου ανίχνευσης καρκίνου είναι μια διαδικασία πολλαπλών βημάτων, όπως περιγράφεται παρακάτω:
- Συγκεντρώστε ένα μεγάλο σύνολο δεδομένων εικόνων από υγιές δέρμα και δέρμα με διάφορους τύπους καρκινικών ή προκαρκινικών βλαβών. Αυτό το σύνολο δεδομένων πρέπει να επιμεληθεί προσεκτικά για να διασφαλιστεί η ακρίβεια και η συνέπεια.
- Χρησιμοποιήστε τεχνικές όρασης υπολογιστή για να προεπεξεργαστείτε τις εικόνες και να εξαγάγετε σχετικά με τη διαφοροποίηση μεταξύ υγιούς και καρκινικού δέρματος.
- Εκπαιδεύστε ένα μοντέλο ML στις προεπεξεργασμένες εικόνες, χρησιμοποιώντας μια εποπτευόμενη προσέγγιση εκμάθησης για να διδάξετε στο μοντέλο να διακρίνει μεταξύ διαφορετικών τύπων δέρματος.
- Αξιολογήστε την απόδοση του μοντέλου χρησιμοποιώντας μια ποικιλία μετρήσεων, όπως η ακρίβεια και η ανάκληση, για να διασφαλίσετε ότι εντοπίζει με ακρίβεια το καρκινικό δέρμα και ελαχιστοποιεί τα ψευδώς θετικά αποτελέσματα.
- Ενσωματώστε το μοντέλο σε ένα φιλικό προς τον χρήστη εργαλείο που θα μπορούσε να χρησιμοποιηθεί από δερματολόγους και άλλους επαγγελματίες υγείας για να βοηθήσει στην ανίχνευση και τη διάγνωση του καρκίνου του δέρματος.
Συνολικά, η διαδικασία ανάπτυξης ενός μοντέλου ανίχνευσης καρκίνου του δέρματος από την αρχή απαιτεί συνήθως σημαντικούς πόρους και τεχνογνωσία. Εδώ το Amazon SageMaker Canvas μπορεί να βοηθήσει στην απλοποίηση του χρόνου και της προσπάθειας για τα βήματα 2 – 5.
Επισκόπηση λύσεων
Για να δείξουμε τη δημιουργία ενός μοντέλου όρασης υπολογιστή για καρκίνο του δέρματος χωρίς να γράψουμε κανέναν κώδικα, χρησιμοποιούμε ένα σύνολο δεδομένων εικόνων καρκίνου δέρματος δερματοσκόπησης που δημοσιεύτηκε από το Harvard Dataverse. Χρησιμοποιούμε το σύνολο δεδομένων, το οποίο βρίσκεται στη διεύθυνση ΧΑΜ10000 και αποτελείται από 10,015 δερματοσκοπικές εικόνες, για τη δημιουργία ενός μοντέλου ταξινόμησης του καρκίνου του δέρματος που προβλέπει κατηγορίες καρκίνου του δέρματος. Μερικά βασικά σημεία σχετικά με το σύνολο δεδομένων:
- Το σύνολο δεδομένων χρησιμεύει ως εκπαιδευτικό σύνολο για ακαδημαϊκούς σκοπούς ML.
- Περιλαμβάνει μια αντιπροσωπευτική συλλογή όλων των σημαντικών διαγνωστικών κατηγοριών στον τομέα των μελαγχρωματικών βλαβών.
- Μερικές κατηγορίες στο σύνολο δεδομένων είναι: Ακτινικές κερατώσεις και ενδοεπιθηλιακό καρκίνωμα / Νόσος Bowen (akiec), βασικοκυτταρικό καρκίνωμα (bcc), καλοήθεις βλάβες που μοιάζουν με κεράτωση (ηλιακές φακίδες / σμηγματορροϊκές κερατώσεις και λειχήνας όπως κερατώσεις, bkl), δερματοϊνώματα ( df), μελάνωμα (mel), μελανοκυτταρικοί σπίλοι (nv) και αγγειακές βλάβες (αγγειώματα, αγγειοκερατώματα, πυογόνα κοκκιώματα και αιμορραγίες, αγγειακά)
- Πάνω από το 50% των βλαβών στο σύνολο δεδομένων επιβεβαιώνονται μέσω ιστοπαθολογίας (histo).
- Η βασική αλήθεια για τις υπόλοιπες περιπτώσεις προσδιορίζεται μέσω παρακολούθησης (
follow_up
), συναίνεση εμπειρογνωμόνων (consensus) ή επιβεβαίωση από ίη νίνο ομοεστιακή μικροσκοπία (συνεστιακή). - Το σύνολο δεδομένων περιλαμβάνει βλάβες με πολλαπλές εικόνες, οι οποίες μπορούν να παρακολουθηθούν χρησιμοποιώντας το
lesion_id
στήλη εντός τουHAM10000_metadata
αρχείο.
Παρουσιάζουμε πώς να απλοποιήσετε την ταξινόμηση εικόνων για πολλές κατηγορίες καρκίνου του δέρματος χωρίς να γράψετε κανέναν κώδικα χρησιμοποιώντας το Amazon SageMaker Canvas. Δεδομένης της εικόνας μιας δερματικής βλάβης, η ταξινόμηση εικόνας SageMaker Canvas ταξινομεί αυτόματα μια εικόνα σε καλοήθη ή πιθανό καρκίνο.
Προϋποθέσεις
- Πρόσβαση σε ένα AWS λογαριασμό με δικαιώματα για τη δημιουργία των πόρων που περιγράφονται στην ενότητα βημάτων.
- Μια διαχείριση ταυτότητας και πρόσβασης AWS (χρήστη AWS IAM). με πλήρη δικαιώματα χρήσης του Amazon SageMaker.
Walkthrough
- Ρύθμιση τομέα SageMaker
- Ρύθμιση συνόλων δεδομένων
- Δημιουργήστε μια υπηρεσία απλής αποθήκευσης Amazon (Amazon S3) κουβά με μοναδικό όνομα, που είναι
image-classification-<ACCOUNT_ID>
όπου ACCOUNT_ID είναι ο μοναδικός αριθμός λογαριασμού AWS σας. - Σε αυτόν τον κάδο δημιουργήστε δύο φακέλους:
training-data
καιtest-data
. - Κάτω από τα δεδομένα εκπαίδευσης, δημιουργήστε επτά φακέλους για καθεμία από τις κατηγορίες καρκίνου του δέρματος που προσδιορίζονται στο σύνολο δεδομένων:
akiec
,bcc
,bkl
,df
,mel
,nv
, ναvasc
. - Το σύνολο δεδομένων περιλαμβάνει βλάβες με πολλαπλές εικόνες, οι οποίες μπορούν να παρακολουθηθούν από το
lesion_id-column
μέσα στοHAM10000_metadata
αρχείο. Χρησιμοποιώντας τηνlesion_id-column
, αντιγράψτε τις αντίστοιχες εικόνες στον δεξιό φάκελο (δηλαδή, μπορείτε να ξεκινήσετε με 100 εικόνες για κάθε ταξινόμηση).
- Δημιουργήστε μια υπηρεσία απλής αποθήκευσης Amazon (Amazon S3) κουβά με μοναδικό όνομα, που είναι
- Χρησιμοποιήστε το Amazon SageMaker Canvas
- Πηγαίνετε στο Amazon Sage Maker υπηρεσία στην κονσόλα και επιλέξτε καμβάς από τη λίστα. Μόλις βρεθείτε στη σελίδα Καμβάς, επιλέξτε Άνοιγμα καμβά κουμπί.
- Μόλις βρεθείτε στη σελίδα Καμβάς, επιλέξτε Τα μοντέλα μου και στη συνέχεια επιλέξτε Νέο μοντέλο στα δεξιά της οθόνης σας.
- Ανοίγει ένα νέο αναδυόμενο παράθυρο, όπου ονομάζουμε image_classify ως όνομα του μοντέλου και επιλέξτε Ανάλυση εικόνας κάτω από το Τύπος προβλήματος.
- Εισαγάγετε το σύνολο δεδομένων
- Στην επόμενη σελίδα, επιλέξτε Δημιουργία συνόλου δεδομένων και στο αναδυόμενο πλαίσιο ονομάστε το σύνολο δεδομένων ως image_classify Και επιλέξτε το Δημιουργία κουμπί.
- Στην επόμενη σελίδα, αλλάξτε το Πηγή δεδομένων προς την Amazon S3. Μπορείτε επίσης να ανεβάσετε απευθείας τις εικόνες (δηλ. Τοπική μεταφόρτωση).
- Όταν επιλέγετε Amazon S3, θα λάβετε τη λίστα με τους κουβάδες που υπάρχουν στον λογαριασμό σας. Επιλέξτε τον γονικό κάδο που κρατά το σύνολο δεδομένων στον υποφάκελο (π.χ. image-classify-2023 και επιλέξτε Εισαγωγή δεδομένων κουμπί. Αυτό επιτρέπει στο Amazon SageMaker Canvas να επισημαίνει γρήγορα τις εικόνες με βάση τα ονόματα των φακέλων.
- Μόλις το σύνολο δεδομένων εισαχθεί με επιτυχία, θα δείτε την τιμή στη στήλη Κατάσταση να αλλάζει σε Έτοιμος από Επεξεργασία.
- Τώρα επιλέξτε το σύνολο δεδομένων σας επιλέγοντας Επιλέξτε σύνολο δεδομένων στο κάτω μέρος της σελίδας σας.
- Φτιάξε το μοντέλο σου
- Στις Χτίστε σελίδα, θα πρέπει να δείτε τα δεδομένα σας να εισάγονται και να επισημαίνονται σύμφωνα με το όνομα του φακέλου στο Amazon S3.
- Επιλέξτε το Γρήγορη κατασκευή κουμπί (δηλαδή, το περιεχόμενο που επισημαίνεται με κόκκινο χρώμα στην παρακάτω εικόνα) και θα δείτε δύο επιλογές για τη δημιουργία του μοντέλου. Το πρώτο είναι το Γρήγορη κατασκευή και το δεύτερο είναι Τυπική κατασκευή. Όπως υποδηλώνει το όνομα, η επιλογή γρήγορης κατασκευής παρέχει ταχύτητα πάνω από την ακρίβεια και χρειάζονται περίπου 15 έως 30 λεπτά για την κατασκευή του μοντέλου. Η τυπική κατασκευή δίνει προτεραιότητα στην ακρίβεια έναντι της ταχύτητας, με την κατασκευή μοντέλου να διαρκεί από 45 λεπτά έως 4 ώρες για να ολοκληρωθεί. Η τυπική έκδοση εκτελεί πειράματα χρησιμοποιώντας διαφορετικούς συνδυασμούς υπερπαραμέτρων και δημιουργεί πολλά μοντέλα στο backend (χρησιμοποιώντας τη λειτουργία SageMaker Autopilot) και στη συνέχεια επιλέγει το καλύτερο μοντέλο.
- Αγορά Τυπική κατασκευή για να ξεκινήσει η κατασκευή του μοντέλου. Χρειάζονται περίπου 2-5 ώρες για να ολοκληρωθεί.
- Μόλις ολοκληρωθεί η κατασκευή του μοντέλου, μπορείτε να δείτε μια εκτιμώμενη ακρίβεια όπως φαίνεται στο Σχήμα 11.
- Εάν επιλέξετε το Βαθμολόγηση καρτέλα, θα πρέπει να σας παρέχει πληροφορίες για την ακρίβεια του μοντέλου. Επίσης, μπορούμε να επιλέξουμε το Σύνθετες μετρήσεις κουμπί για το Βαθμολόγηση καρτέλα για προβολή της βαθμολογίας ακρίβειας, ανάκλησης και F1 (Ένα ισορροπημένο μέτρο ακρίβειας που λαμβάνει υπόψη το υπόλοιπο της τάξης).
- Οι προηγμένες μετρήσεις που σας δείχνει το Amazon SageMaker Canvas εξαρτώνται από το αν το μοντέλο σας εκτελεί προβλέψεις αριθμητικών, κατηγοριών, εικόνων, κειμένου ή χρονοσειρών στα δεδομένα σας. Σε αυτήν την περίπτωση, πιστεύουμε ότι η ανάκληση είναι πιο σημαντική από την ακρίβεια, επειδή η απώλεια μιας ανίχνευσης καρκίνου είναι πολύ πιο επικίνδυνη από την ορθή ανίχνευση. Η κατηγορική πρόβλεψη, όπως η πρόβλεψη 2 κατηγοριών ή η πρόβλεψη 3 κατηγοριών, αναφέρεται στη μαθηματική έννοια της ταξινόμησης. ο προηγμένη μέτρηση Η ανάκληση είναι το κλάσμα των αληθινών θετικών (TP) από όλα τα πραγματικά θετικά (TP + ψευδώς αρνητικά). Μετρά την αναλογία των θετικών περιπτώσεων που είχαν σωστά προβλεφθεί ως θετικές από το μοντέλο. Ανατρέξτε σε αυτό Μια βαθιά κατάδυση στις προηγμένες μετρήσεις του Amazon SageMaker Canvas για μια βαθιά κατάδυση στις προηγμένες μετρήσεις.
Αυτό ολοκληρώνει το βήμα δημιουργίας μοντέλου στον καμβά Amazon SageMaker.
- Δοκιμάστε το μοντέλο σας
- Τώρα μπορείτε να επιλέξετε το Προλέγω κουμπί, το οποίο σας μεταφέρει στο Προλέγω σελίδα, όπου μπορείτε να ανεβάσετε τις δικές σας εικόνες Ενιαία πρόβλεψη or Πρόβλεψη παρτίδας. Ορίστε την επιλογή της επιλογής σας και επιλέξτε εισαγωγή για να ανεβάσετε την εικόνα σας και να δοκιμάσετε το μοντέλο.
- Ας ξεκινήσουμε κάνοντας μια πρόβλεψη μεμονωμένης εικόνας. Βεβαιωθείτε ότι είστε στο Ενιαία Πρόβλεψη Και επιλέξτε Εισαγωγή εικόνας. Αυτό σας οδηγεί σε ένα παράθυρο διαλόγου από όπου μπορείτε να επιλέξετε να ανεβάσετε την εικόνα σας Amazon S3, ή κάντε ένα Τοπική μεταφόρτωση. Στην περίπτωσή μας, επιλέγουμε Amazon S3 και περιηγηθείτε στον κατάλογό μας όπου έχουμε τις δοκιμαστικές εικόνες και επιλέξτε οποιαδήποτε εικόνα. Στη συνέχεια επιλέξτε Εισαγωγή δεδομένων.
- Μόλις επιλεγεί, θα πρέπει να δείτε την οθόνη που λέει Δημιουργία αποτελεσμάτων πρόβλεψης. Θα πρέπει να έχετε τα αποτελέσματά σας σε λίγα λεπτά όπως φαίνεται παρακάτω.
- Τώρα ας δοκιμάσουμε την πρόβλεψη παρτίδας. Επιλέγω Πρόβλεψη παρτίδας υπό Εκτελέστε προβλέψεις Και επιλέξτε το Εισαγωγή νέου συνόλου δεδομένων κουμπί και ονομάστε το BatchPrediction και πατήστε το Δημιουργία κουμπί.
- Στο επόμενο παράθυρο, βεβαιωθείτε ότι έχετε επιλέξει μεταφόρτωση του Amazon S3 και περιηγηθείτε στον κατάλογο όπου έχουμε το σετ δοκιμής και επιλέξτε Εισαγωγή δεδομένων κουμπί.
- Μόλις μπουν οι εικόνες Έτοιμος κατάσταση, επιλέξτε το κουμπί επιλογής για το δημιουργημένο σύνολο δεδομένων και επιλέξτε Δημιουργία προβλέψεων. Τώρα, θα πρέπει να δείτε την κατάσταση της παρτίδας πρόβλεψης παρτίδας Δημιουργία προβλέψεων. Ας περιμένουμε λίγα λεπτά για τα αποτελέσματα.
- Μόλις μπει η κατάσταση Έτοιμος κατάσταση, επιλέξτε το όνομα του συνόλου που σας μεταφέρει σε μια σελίδα που δείχνει τη λεπτομερή πρόβλεψη για όλες τις εικόνες μας.
- Ένα άλλο σημαντικό χαρακτηριστικό της Πρόβλεψης παρτίδας είναι να μπορείτε να επαληθεύετε τα αποτελέσματα και επίσης να μπορείτε να κάνετε λήψη της πρόβλεψης σε αρχείο zip ή csv για περαιτέρω χρήση ή κοινή χρήση.
Με αυτό καταφέρατε με επιτυχία να δημιουργήσετε ένα μοντέλο, να το εκπαιδεύσετε και να δοκιμάσετε την πρόβλεψή του με το Amazon SageMaker Canvas.
Καθαρισμό
Επιλέξτε Αποσύνδεση στο αριστερό παράθυρο πλοήγησης για να αποσυνδεθείτε από την εφαρμογή Amazon SageMaker Canvas για να σταματήσετε την κατανάλωση Ώρες παρουσίας χώρου εργασίας SageMaker Canvas και απελευθερώστε όλους τους πόρους.
Παραπομπή
[1]Fraiwan M, Faouri E. Σχετικά με την αυτόματη ανίχνευση και ταξινόμηση του καρκίνου του δέρματος με τη χρήση μάθησης βαθιάς μεταφοράς. Αισθητήρες (Βασιλεία). 2022 30 Ιουνίου 22(13):4963. doi: 10.3390/s22134963. PMID: 35808463; PMCID: PMC9269808.
Συμπέρασμα
Σε αυτήν την ανάρτηση, σας δείξαμε πώς η ανάλυση ιατρικής εικόνας χρησιμοποιώντας τεχνικές ML μπορεί να επιταχύνει τη διάγνωση του καρκίνου του δέρματος και την εφαρμογή του στη διάγνωση άλλων ασθενειών. Ωστόσο, η κατασκευή μοντέλων ML για ταξινόμηση εικόνων είναι συχνά πολύπλοκη και χρονοβόρα, απαιτώντας τεχνογνωσία κωδικοποίησης και γνώση ML. Το Amazon SageMaker Canvas αντιμετώπισε αυτήν την πρόκληση παρέχοντας μια οπτική διεπαφή που εξαλείφει την ανάγκη για κωδικοποίηση ή εξειδικευμένες δεξιότητες ML. Αυτό δίνει τη δυνατότητα στους επαγγελματίες υγείας να χρησιμοποιούν ML χωρίς μια απότομη καμπύλη μάθησης, επιτρέποντάς τους να επικεντρωθούν στη φροντίδα των ασθενών.
Η παραδοσιακή διαδικασία ανάπτυξης ενός μοντέλου ανίχνευσης καρκίνου είναι επίπονη και χρονοβόρα. Περιλαμβάνει τη συλλογή ενός επιμελημένου συνόλου δεδομένων, την προεπεξεργασία εικόνων, την εκπαίδευση ενός μοντέλου ML, την αξιολόγηση της απόδοσής του και την ενσωμάτωσή του σε ένα φιλικό προς τον χρήστη εργαλείο για επαγγελματίες υγείας. Το Amazon SageMaker Canvas απλοποίησε τα βήματα από την προεπεξεργασία έως την ενσωμάτωση, γεγονός που μείωσε τον χρόνο και την προσπάθεια που απαιτείται για τη δημιουργία ενός μοντέλου ανίχνευσης καρκίνου του δέρματος.
Σε αυτήν την ανάρτηση, εμβαθύναμε στις ισχυρές δυνατότητες του Amazon SageMaker Canvas στην ταξινόμηση ιατρικών εικόνων, ρίχνοντας φως στα πλεονεκτήματά του και παρουσιάζοντας περιπτώσεις χρήσης πραγματικού κόσμου που δείχνουν τη βαθιά του επίδραση στα ιατρικά διαγνωστικά. Μια τέτοια συναρπαστική περίπτωση χρήσης που διερευνήσαμε ήταν η ανίχνευση καρκίνου του δέρματος και το πώς η έγκαιρη διάγνωση συχνά βελτιώνει σημαντικά τα αποτελέσματα της θεραπείας και μειώνει το κόστος υγειονομικής περίθαλψης.
Είναι σημαντικό να αναγνωρίσουμε ότι η ακρίβεια του μοντέλου μπορεί να ποικίλλει ανάλογα με παράγοντες, όπως το μέγεθος του συνόλου δεδομένων εκπαίδευσης και τον συγκεκριμένο τύπο μοντέλου που χρησιμοποιείται. Αυτές οι μεταβλητές παίζουν ρόλο στον καθορισμό της απόδοσης και της αξιοπιστίας των αποτελεσμάτων ταξινόμησης.
Το Amazon SageMaker Canvas μπορεί να χρησιμεύσει ως ένα ανεκτίμητο εργαλείο που βοηθά τους επαγγελματίες υγείας στη διάγνωση ασθενειών με μεγαλύτερη ακρίβεια και αποτελεσματικότητα. Ωστόσο, είναι ζωτικής σημασίας να σημειωθεί ότι δεν προορίζεται να αντικαταστήσει την εμπειρία και την κρίση των επαγγελματιών υγείας. Αντίθετα, τους ενδυναμώνει αυξάνοντας τις δυνατότητές τους και επιτρέποντας πιο ακριβείς και εύστοχες διαγνώσεις. Το ανθρώπινο στοιχείο παραμένει ουσιαστικό στη διαδικασία λήψης αποφάσεων και η συνεργασία μεταξύ επαγγελματιών υγείας και εργαλείων τεχνητής νοημοσύνης (AI), συμπεριλαμβανομένου του Amazon SageMaker Canvas, είναι ζωτικής σημασίας για την παροχή βέλτιστης φροντίδας των ασθενών.
Σχετικά με τους συγγραφείς
Ramakant Joshi είναι αρχιτέκτονας λύσεων AWS, που ειδικεύεται στον τομέα ανάλυσης και χωρίς διακομιστή. Έχει ένα υπόβαθρο στην ανάπτυξη λογισμικού και τις υβριδικές αρχιτεκτονικές και είναι παθιασμένος με το να βοηθά τους πελάτες να εκσυγχρονίσουν την αρχιτεκτονική τους στο cloud.
Τζέικ Γουέν είναι Αρχιτέκτονας Λύσεων στο AWS, με πάθος για τη Μηχανική Μάθηση, την Επεξεργασία Φυσικής Γλώσσας και τη Βαθιά Μάθηση. Βοηθά τους πελάτες της Enterprise να επιτύχουν τον εκσυγχρονισμό και την επεκτάσιμη ανάπτυξη στο Cloud. Πέρα από τον κόσμο της τεχνολογίας, ο Τζέικ βρίσκει απόλαυση στο σκέιτμπορντ, την πεζοπορία και την πιλοτική πτήση με αεροσκάφη.
Sonu Kumar Singh είναι αρχιτέκτονας λύσεων AWS, με εξειδίκευση στον τομέα ανάλυσης. Διαδραμάτισε καθοριστικό ρόλο στον καταλύτη μετασχηματιστικών αλλαγών στους οργανισμούς, επιτρέποντας τη λήψη αποφάσεων βάσει δεδομένων, τροφοδοτώντας έτσι την καινοτομία και την ανάπτυξη. Το απολαμβάνει όταν κάτι που σχεδίασε ή δημιούργησε έχει θετικό αντίκτυπο. Στην AWS πρόθεσή του είναι να βοηθήσει τους πελάτες να αντλήσουν αξία από τις 200+ υπηρεσίες cloud της AWS και να τους ενδυναμώσει στο ταξίδι τους στο cloud.
Ντάριους Αζίμι είναι Αρχιτέκτονας Λύσεων στο AWS, με εξειδίκευση στη Μηχανική Μάθηση, στην Επεξεργασία Φυσικής Γλώσσας (NLP) και στην αρχιτεκτονική μικροϋπηρεσιών με την Kubernetes. Η αποστολή του είναι να εξουσιοδοτήσει τους οργανισμούς να αξιοποιήσουν πλήρως τις δυνατότητες των δεδομένων τους μέσω ολοκληρωμένων λύσεων από άκρο σε άκρο που περιλαμβάνουν αποθήκευση δεδομένων, προσβασιμότητα, ανάλυση και δυνατότητες πρόβλεψης.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/simplify-medical-image-classification-using-amazon-sagemaker-canvas/
- :έχει
- :είναι
- :που
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 15%
- 16
- 17
- 2022
- 30
- 32
- 7
- 8
- 9
- 97
- a
- ικανότητα
- Ικανός
- Σχετικα
- ακαδημαϊκής
- πρόσβαση
- προσιτότητα
- προσιτός
- Λογαριασμός
- ακρίβεια
- ακριβής
- με ακρίβεια
- την επίτευξη
- αναγνωρίζω
- πραγματικός
- διεύθυνση
- απευθύνεται
- εκ των προτέρων
- προηγμένες
- εξελίξεις
- AI
- Ενισχύσεις
- ΑΕΡΑ
- αλγόριθμοι
- Όλα
- Επιτρέποντας
- επιτρέπει
- Επίσης
- Amazon
- Amazon Sage Maker
- Καμβάς Amazon SageMaker
- Amazon υπηρεσίες Web
- Αμερικανικη
- an
- ανάλυση
- analytics
- και
- κάθε
- Εφαρμογή
- πλησιάζω
- αρχιτεκτονική
- ΕΙΝΑΙ
- γύρω
- τεχνητός
- τεχνητή νοημοσύνη
- Τεχνητή νοημοσύνη (AI)
- AS
- βοηθάει
- συσχετισμένη
- At
- αυτοματοποίηση
- Αυτόματο
- αυτομάτως
- AWS
- Backend
- φόντο
- υπόβαθρα
- Υπόλοιπο
- φράγμα
- βασίζονται
- Βασιλεία
- BE
- επειδή
- ήταν
- Πιστεύω
- παρακάτω
- οφέλη
- ΚΑΛΎΤΕΡΟΣ
- Καλύτερα
- μεταξύ
- Πέρα
- σύνορο
- Κάτω μέρος
- Κουτί
- Φέρνει
- ευρύτερη
- χτίζω
- Κτίριο
- Χτίζει
- κουμπί
- by
- που ονομάζεται
- CAN
- ΚΑΡΚΙΝΟΣ
- καμβάς
- δυνατότητες
- ο οποίος
- προσεκτικά
- περίπτωση
- περιπτώσεις
- καταλυτική
- κατηγορίες
- Κύτταρα
- Κέντρο
- ορισμένες
- πρόκληση
- προκλήσεις
- ευκαιρία
- πιθανότητα
- αλλαγή
- χαρακτηριστικά
- επιλογή
- Επιλέξτε
- επιλέγοντας
- τάξη
- τάξεις
- ταξινόμηση
- κλινικούς ιατρούς
- Backup
- υπηρεσίες cloud
- κωδικός
- Κωδικοποίηση
- συνεργασία
- συλλογή
- χρώμα
- Στήλη
- συνδυασμοί
- Κοινός
- συναρπαστικό
- πλήρης
- Ολοκληρώνει
- συγκρότημα
- περιεκτικός
- υπολογιστή
- Computer Vision
- έννοια
- Συνθήκες
- επιβεβαίωση
- ΕΠΙΒΕΒΑΙΩΜΕΝΟΣ
- Ομοφωνία
- αποτελείται
- πρόξενος
- κατανάλωση
- περιεχόμενο
- συμβάλλει
- διορθώσει
- Αντίστοιχος
- Δικαστικά έξοδα
- θα μπορούσε να
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- δημιουργία
- κρίσιμος
- δυσκίνητος
- επιμέλεια
- καμπύλη
- Πελάτες
- Επικίνδυνες
- ημερομηνία
- αποθήκευση δεδομένων
- βασίζονται σε δεδομένα
- Διαφορετικά
- θανάτους
- Λήψη Αποφάσεων
- αποφάσεις
- βαθύς
- βαθιά κατάδυση
- βαθιά μάθηση
- απόλαυση
- εκδημοκρατισμός
- αποδεικνύουν
- Σε συνάρτηση
- παρατάσσω
- ανάπτυξη
- περιγράφεται
- σχεδιασμένα
- επιθυμητή
- λεπτομερής
- ανίχνευση
- εντοπιστεί
- Ανίχνευση
- αποφασισμένος
- καθορίζοντας
- αναπτύχθηκε
- ανάπτυξη
- Ανάπτυξη
- διάλογος
- διαφορετικές
- διαφοροποιούν
- κατευθείαν
- συζητήσουν
- Νόσος
- ασθένειες
- διακρίνω
- κατάδυση
- do
- Γιατρός
- Γιατροί
- πράξη
- τομέα
- κατεβάσετε
- δραστικά
- οδηγείται
- Drones
- e
- κάθε
- Νωρίτερα
- Νωρίς
- Αποτελεσματικός
- αποδοτικότητα
- προσπάθεια
- στοιχείο
- εξαλείφει
- μισθωτών
- εξουσιοδοτώ
- εξουσιοδοτεί
- δίνει τη δυνατότητα
- ενεργοποίηση
- που περιλαμβάνει
- από άκρη σε άκρη
- Ενισχύει
- εξασφαλίζω
- Εταιρεία
- ουσιώδης
- αναμενόμενη
- αξιολογήσει
- Εξετάζει
- επισπεύδω
- πειράματα
- εμπειρογνώμονας
- εξειδίκευση
- διερευνήσει
- Εξερευνήθηκε
- εκτενής
- εκχύλισμα
- f1
- αντιμετωπίζουν
- παράγοντες
- ψευδής
- μακριά
- Χαρακτηριστικό
- λίγοι
- πεδίο
- Εικόνα
- Αρχεία
- ευρήματα
- Όνομα
- Συγκέντρωση
- Εξής
- Για
- καλλιεργεί
- Βρέθηκαν
- κλάσμα
- από
- πλήρη
- λειτουργικότητα
- περαιτέρω
- χάσμα
- συγκέντρωση
- General
- παράγουν
- δημιουργεί
- παίρνω
- δεδομένου
- μεγαλύτερη
- Έδαφος
- Ανάπτυξη
- καθοδηγήσει
- ιπποσκευή
- Harvard
- Έχω
- he
- υγειονομική περίθαλψη
- διαιτιτικο
- βοήθεια
- βοήθεια
- Επισημάνετε
- του
- Επιτυχία
- κατέχει
- ΩΡΕΣ
- Πως
- Πώς να
- Ωστόσο
- HTML
- HTTPS
- ανθρώπινος
- Ανθρώπινος παράγοντας
- Εκατοντάδες
- Υβριδικό
- i
- ιδανικό
- προσδιορίζονται
- αναγνωρίζει
- προσδιορίσει
- Ταυτότητα
- if
- εικόνα
- Ταξινόμηση εικόνας
- εικόνες
- Επίπτωση
- Επιπτώσεις
- εισαγωγή
- σημαντικό
- βελτίωση
- βελτιωθεί
- in
- περιλαμβάνει
- Συμπεριλαμβανομένου
- Περιεκτικός
- Αυξήσεις
- αρχικός
- Καινοτομία
- ιδέες
- παράδειγμα
- ενόργανος
- ενσωματώσει
- ολοκλήρωση
- Νοημοσύνη
- προορίζονται
- Πρόθεση
- περιβάλλον λειτουργίας
- διεπαφές
- σε
- ανεκτίμητος
- IT
- ΤΟΥ
- εαυτό
- ταξίδι
- jpg
- Κλειδί
- γνώση
- Kumar
- επιγραφή
- τιτλοφόρηση
- Γλώσσα
- large
- Οδηγεί
- μάθηση
- αριστερά
- φως
- Μου αρέσει
- Λιστα
- λίστα
- κούτσουρο
- μηχανή
- μάθηση μηχανής
- κάνω
- διαχείριση
- πολοί
- μαθηματικός
- Ενδέχεται..
- μέτρο
- μέτρα
- ιατρικών
- μέθοδοι
- Metrics
- Μικροσκοπία
- μικροεπιχειρήσεις
- ελαχιστοποιεί
- Λεπτ.
- Λείπει
- Αποστολή
- ML
- μοντέλο
- μοντέλα
- εκμοντερνίζω
- παρακολούθηση
- περισσότερο
- Εξάλλου
- πλέον
- πολλαπλούς
- όνομα
- ονόματα
- Φυσικό
- Επεξεργασία φυσικής γλώσσας
- Φύση
- Πλοηγηθείτε
- Πλοήγηση
- Ανάγκη
- χρειάζονται
- ανάγκες
- αρνητικά
- Νέα
- επόμενη
- ΝΙΗ
- nlp
- τώρα
- NV
- αντικειμένων
- of
- συχνά
- on
- μια φορά
- ONE
- ανοίγει
- βέλτιστη
- Επιλογή
- Επιλογές
- or
- οργανώσεις
- ΑΛΛΑ
- δικός μας
- έξω
- αποτελέσματα
- σκιαγραφείται
- παραγωγή
- επί
- φόρμες
- δική
- σελίδα
- παράθυρο
- πάθος
- παθιασμένος
- ασθενής
- pacientes
- για
- επίδοση
- εκτελεί
- δικαιώματα
- Επιλογές
- πλοήγηση
- πιλοτικές
- σχεδιασμό
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- Δοκιμάστε να παίξετε
- παίζει
- σας παρακαλούμε
- σημεία
- pop-up
- θετικός
- δυνατός
- Θέση
- δυναμικού
- ενδεχομένως
- δύναμη
- ισχυρός
- ανάγκη
- Ακρίβεια
- προβλεπόμενη
- πρόβλεψη
- Προβλέψεις
- Προβλέπει
- παρόν
- δίνει προτεραιότητες
- διαδικασία
- διαδικασια μας
- μεταποίηση
- επαγγελματίες
- βαθύς
- ποσοστό
- παρέχουν
- παρέχει
- χορήγηση
- δημοσιεύθηκε
- σκοποί
- Γρήγορα
- γρήγορα
- Ραδιόφωνο
- σειρά
- μάλλον
- πραγματικό κόσμο
- βασίλειο
- ανάκτηση
- μείωση
- Μειωμένος
- μειώνει
- παραπέμπω
- αναφέρεται
- απελευθερώνουν
- αξιοπιστία
- λείψανα
- αντικαθιστώ
- εκπρόσωπος
- απαιτούν
- απαιτείται
- Απαιτεί
- έρευνα
- ερευνητές
- Υποστηρικτικό υλικό
- ΠΕΡΙΦΕΡΕΙΑ
- Αποτελέσματα
- δεξιά
- Ρόλος
- τρέχει
- σοφός
- λέει
- επεκτάσιμη
- σκορ
- μηδέν
- Οθόνη
- προσυμπτωματικού ελέγχου
- Δεύτερος
- Τμήμα
- δείτε
- επιλέγονται
- αισθητήρες
- Σειρές
- σοβαρός
- εξυπηρετούν
- Χωρίς διακομιστή
- εξυπηρετεί
- υπηρεσία
- Υπηρεσίες
- σειρά
- επτά
- Shape
- μοιράζονται
- Βάρδιες
- θα πρέπει να
- βιτρίνα
- έδειξε
- παρουσιάζεται
- Δείχνει
- σημαντικός
- σημαντικά
- Απλούς
- απλοποιημένη
- απλοποίηση
- ενιαίας
- Μέγεθος
- δεξιότητες
- Δέρμα
- λογισμικό
- ανάπτυξη λογισμικού
- ηλιακός
- λύση
- Λύσεις
- κάτι
- ειδικευμένος
- ειδικευμένη
- συγκεκριμένες
- ταχύτητα
- πρότυπο
- Εκκίνηση
- Ξεκινήστε
- ξεκινά
- Κατάσταση
- Κατάσταση
- Βήμα
- Βήματα
- στάση
- χώρος στο δίσκο
- Μελέτη
- επιτυχής
- Επιτυχώς
- τέτοιος
- προτείνω
- βέβαιος
- χειρουργικός
- ύποπτος
- παίρνει
- λήψη
- tech
- Τεχνικός
- τεχνικές
- δοκιμή
- δοκιμές
- κείμενο
- από
- ότι
- Η
- τους
- Τους
- τότε
- Εκεί.
- εκ τούτου
- Αυτοί
- αυτοί
- αυτό
- εκείνοι
- χιλιάδες
- Μέσω
- ώρα
- Χρονική σειρά
- χρονοβόρος
- έγκαιρος
- προς την
- εργαλείο
- εργαλεία
- tp
- παραδοσιακός
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- τρένα
- μεταφορά
- μεταμορφωτικός
- θεραπεία
- θεραπεία
- αληθής
- Αλήθεια
- προσπαθώ
- δύο
- τύπος
- τύποι
- συνήθως
- τελικά
- υπό
- υφίσταμαι
- μοναδικός
- περιττός
- Χρήση
- χρήση
- περίπτωση χρήσης
- μεταχειρισμένος
- φιλική προς το χρήστη
- χρησιμοποιώντας
- Πολύτιμος
- αξία
- ποικιλία
- διάφορα
- επαληθεύει
- Δες
- ορατός
- όραμα
- ζωτικής σημασίας
- περιμένετε
- θέλω
- ήταν
- Δες
- we
- ιστός
- διαδικτυακές υπηρεσίες
- ήταν
- πότε
- αν
- Ποιό
- Ο ΟΠΟΊΟΣ
- παράθυρο
- με
- εντός
- χωρίς
- Σεμινάρια
- κόσμος
- γραφή
- έτος
- Εσείς
- Σας
- zephyrnet
- Zip