L'analyse des images médicales joue un rôle crucial dans le diagnostic et le traitement des maladies. La possibilité d'automatiser ce processus à l'aide de techniques d'apprentissage automatique (ML) permet aux professionnels de la santé de diagnostiquer plus rapidement certains cancers, maladies coronariennes et affections ophtalmologiques. Cependant, l’un des principaux défis auxquels sont confrontés les cliniciens et les chercheurs dans ce domaine est la nature longue et complexe de la création de modèles ML pour la classification d’images. Les méthodes traditionnelles nécessitent une expertise en codage et une connaissance approfondie des algorithmes de ML, ce qui peut constituer un obstacle pour de nombreux professionnels de la santé.
Pour combler cette lacune, nous avons utilisé Toile Amazon SageMaker, un outil visuel qui permet aux cliniciens médicaux de créer et de déployer des modèles ML sans codage ni connaissances spécialisées. Cette approche conviviale élimine la courbe d'apprentissage abrupte associée au ML, ce qui permet aux cliniciens de se concentrer sur leurs patients.
Amazon SageMaker Canvas fournit une interface glisser-déposer pour créer des modèles ML. Les cliniciens peuvent sélectionner les données qu’ils souhaitent utiliser, spécifier le résultat souhaité, puis observer la création et l’entraînement automatiques du modèle. Une fois le modèle entraîné, il génère des prédictions précises.
Cette approche est idéale pour les cliniciens médicaux qui souhaitent utiliser le ML pour améliorer leurs décisions de diagnostic et de traitement. Avec Amazon SageMaker Canvas, ils peuvent utiliser la puissance du ML pour aider leurs patients, sans avoir besoin d'être un expert en ML.
La classification des images médicales a un impact direct sur les résultats pour les patients et l’efficacité des soins de santé. Une classification rapide et précise des images médicales permet une détection précoce des maladies, ce qui facilite une planification et un suivi efficaces du traitement. De plus, la démocratisation du ML grâce à des interfaces accessibles comme Amazon SageMaker Canvas, permet à un plus large éventail de professionnels de la santé, y compris ceux sans formation technique approfondie, de contribuer au domaine de l'analyse d'images médicales. Cette approche inclusive favorise la collaboration et le partage des connaissances et conduit finalement à des progrès dans la recherche sur les soins de santé et à de meilleurs soins aux patients.
Dans cet article, nous explorerons les capacités d'Amazon SageMaker Canvas en matière de classification des images médicales, discuterons de ses avantages et mettrons en évidence des cas d'utilisation réels qui démontrent son impact sur les diagnostics médicaux.
Cas d'utilisation
Le cancer de la peau est une maladie grave et potentiellement mortelle, et plus il est détecté tôt, plus il y a de chances de succès du traitement. Statistiquement, le cancer de la peau (par exemple les carcinomes basocellulaires et épidermoïdes) est l'un des types de cancer les plus courants et entraîne des centaines de milliers de décès. partout dans le monde chaque année. Elle se manifeste par une croissance anormale des cellules de la peau.
Cependant, un diagnostic précoce augmente considérablement les chances de guérison. De plus, cela peut rendre inutiles les thérapies chirurgicales, radiographiques ou chimiothérapeutiques ou réduire leur utilisation globale, contribuant ainsi à réduire les coûts des soins de santé.
Le processus de diagnostic du cancer de la peau commence par une procédure appelée dermoscopie[1], qui inspecte la forme générale, la taille et la couleur des lésions cutanées. Les lésions suspectées sont ensuite soumises à des prélèvements supplémentaires et à des tests histologiques pour confirmer le type de cellule cancéreuse. Les médecins utilisent plusieurs méthodes pour détecter le cancer de la peau, à commencer par la détection visuelle. Le Centre américain pour l'étude de la dermatologie a élaboré un guide sur la forme possible du mélanome, appelé A B C D (asymétrie, bordure, couleur, diamètre) et est utilisé par les médecins pour le premier dépistage de la maladie. Si une lésion cutanée suspectée est détectée, le médecin effectue une biopsie de la lésion visible sur la peau et l'examine au microscope pour déterminer un diagnostic bénin ou malin et le type de cancer de la peau. Les modèles de vision par ordinateur peuvent jouer un rôle précieux en aidant à identifier les grains de beauté ou les lésions suspectes, ce qui permet un diagnostic plus précoce et plus précis.
La création d’un modèle de détection du cancer est un processus en plusieurs étapes, comme indiqué ci-dessous :
- Rassemblez un vaste ensemble de données d’images de peau saine et de peau présentant divers types de lésions cancéreuses ou précancéreuses. Cet ensemble de données doit être soigneusement organisé pour garantir l’exactitude et la cohérence.
- Utilisez des techniques de vision par ordinateur pour prétraiter les images et extraire les informations pertinentes pour différencier la peau saine de la peau cancéreuse.
- Entraînez un modèle ML sur les images prétraitées, en utilisant une approche d’apprentissage supervisé pour apprendre au modèle à distinguer les différents types de peau.
- Évaluez les performances du modèle à l’aide de diverses mesures, telles que la précision et le rappel, pour vous assurer qu’il identifie avec précision les peaux cancéreuses et minimise les faux positifs.
- Intégrez le modèle dans un outil convivial qui pourrait être utilisé par les dermatologues et autres professionnels de la santé pour faciliter la détection et le diagnostic du cancer de la peau.
Dans l’ensemble, le processus de développement d’un modèle de détection du cancer de la peau à partir de zéro nécessite généralement des ressources et une expertise importantes. C'est là qu'Amazon SageMaker Canvas peut vous aider à simplifier le temps et les efforts nécessaires pour les étapes 2 à 5.
Vue d'ensemble de la solution
Pour démontrer la création d’un modèle de vision par ordinateur du cancer de la peau sans écrire de code, nous utilisons un ensemble de données d’images de cancer de la peau en dermatoscopie publié par Harvard Dataverse. Nous utilisons l'ensemble de données, disponible à l'adresse HAM10000 et se compose de 10,015 XNUMX images dermatoscopiques, pour créer un modèle de classification du cancer de la peau qui prédit les classes de cancer de la peau. Quelques points clés sur l'ensemble de données :
- L'ensemble de données sert d'ensemble de formation à des fins académiques de ML.
- Il comprend une collection représentative de toutes les catégories diagnostiques importantes dans le domaine des lésions pigmentées.
- Quelques catégories dans l'ensemble de données sont : les kératoses actiniques et le carcinome intraépithélial / maladie de Bowen (akiec), le carcinome basocellulaire (bcc), les lésions bénignes de type kératose (lentigines solaires / kératoses séborrhéiques et kératoses de type lichen plan, bkl), le dermatofibrome ( df), mélanome (mel), naevus mélanocytaires (nv) et lésions vasculaires (angiomes, angiokératomes, granulomes pyogènes et hémorragies, vasc)
- Plus de 50 % des lésions de l'ensemble de données sont confirmées par histopathologie (histo).
- La vérité terrain pour le reste des cas est déterminée par un examen de suivi (
follow_up
), consensus d'experts (consensus) ou confirmation par in vivo microscopie confocale (confocale). - L'ensemble de données comprend des lésions avec plusieurs images, qui peuvent être suivies à l'aide du
lesion_id
colonne dans leHAM10000_metadata
fichier.
Nous montrons comment simplifier la classification des images pour plusieurs catégories de cancer de la peau sans écrire de code à l'aide d'Amazon SageMaker Canvas. À partir d’une image d’une lésion cutanée, la classification d’images SageMaker Canvas classe automatiquement une image en cancer bénin ou possible.
Pré-requis
- Accès à un AWS compte avec les autorisations nécessaires pour créer les ressources décrites dans la section étapes.
- Une gestion des identités et des accès AWS (Utilisateur AWS IAM) avec toutes les autorisations pour utiliser Amazon SageMaker.
Procédure pas à pas
- Configurer le domaine SageMaker
- Configurer des ensembles de données
- Créer un service de stockage simple Amazon (Amazon S3) bucket avec un nom unique, qui est
image-classification-<ACCOUNT_ID>
où ACCOUNT_ID est votre numéro de compte AWS unique. - Dans ce bucket, créez deux dossiers :
training-data
ainsi que letest-data
. - Sous Training-Data, créez sept dossiers pour chacune des catégories de cancer de la peau identifiées dans l'ensemble de données :
akiec
,bcc
,bkl
,df
,mel
,nv
et lavasc
. - L'ensemble de données comprend des lésions avec plusieurs images, qui peuvent être suivies par le
lesion_id-column
au sein duHAM10000_metadata
déposer. En utilisant lelesion_id-column
, copiez les images correspondantes dans le bon dossier (c'est-à-dire que vous pouvez commencer avec 100 images pour chaque classification).
- Créer un service de stockage simple Amazon (Amazon S3) bucket avec un nom unique, qui est
- Utiliser le canevas Amazon SageMaker
- Allez à Amazon Sage Maker service dans la console et sélectionnez Toile de la liste. Une fois que vous êtes sur la page Canvas, veuillez sélectionner Ouvrir le canevas .
- Une fois que vous êtes sur la page Canvas, sélectionnez Mes modèles puis choisissez Nouveau modèle à droite de votre écran.
- Une nouvelle fenêtre pop-up s'ouvre, où nous nommons image_classifier comme nom du modèle et sélectionnez Analyse d'image sous le Type de problème.
- Importer le jeu de données
- Sur la page suivante, veuillez sélectionner Créer un jeu de données et dans la boîte contextuelle, nommez l'ensemble de données comme image_classifier et sélectionnez le Création .
- Sur la page suivante, modifiez le La source de données à Amazon S3. Vous pouvez également télécharger directement les images (c'est-à-dire Téléchargement local).
- Quand vous sélectionnez Amazon S3, vous obtiendrez la liste des buckets présents dans votre compte. Sélectionnez le compartiment parent qui contient l'ensemble de données dans un sous-dossier (par exemple, image-classifier-2023 et sélectionnez Importer des dates bouton. Cela permet à Amazon SageMaker Canvas d'étiqueter rapidement les images en fonction des noms de dossier.
- Une fois l'ensemble de données importé avec succès, vous verrez la valeur dans la colonne Statut changer en Prêt à fonctionner De En cours.
- Sélectionnez maintenant votre ensemble de données en choisissant Sélectionnez un jeu de données en bas de votre page.
- Construisez votre modèle
- Sur le Développer , vous devriez voir vos données importées et étiquetées selon le nom du dossier dans Amazon S3.
- Sélectionnez le Construction rapide (c'est-à-dire le contenu surligné en rouge dans l'image suivante) et vous verrez deux options pour créer le modèle. Le premier est le Construction rapide et le deuxième est Construction standard. Comme son nom l'indique, l'option de construction rapide offre plus de rapidité que de précision et la construction du modèle prend environ 15 à 30 minutes. La construction standard donne la priorité à la précision plutôt qu'à la vitesse, la création de modèles prenant entre 45 minutes et 4 heures. La version standard exécute des expériences en utilisant différentes combinaisons d'hyperparamètres et génère de nombreux modèles dans le backend (à l'aide de la fonctionnalité SageMaker Autopilot), puis sélectionne le meilleur modèle.
- Sélectionnez Construction standard pour commencer à construire le modèle. Cela prend environ 2 à 5 heures.
- Une fois la création du modèle terminée, vous pouvez voir une précision estimée, comme le montre la figure 11.
- Si vous sélectionnez le Scoring , il devrait vous fournir un aperçu de la précision du modèle. Nous pouvons également sélectionner le Métriques avancées bouton sur la Scoring pour afficher la précision, le rappel et le score F1 (une mesure équilibrée de précision qui prend en compte l'équilibre des classes).
- Les métriques avancées affichées par Amazon SageMaker Canvas dépendent du fait que votre modèle effectue des prévisions numériques, catégorielles, d'images, de texte ou de séries chronologiques sur vos données. Dans ce cas, nous pensons que le rappel est plus important que la précision, car manquer une détection de cancer est bien plus dangereux que détecter correctement. La prédiction catégorielle, telle que la prédiction à 2 catégories ou la prédiction à 3 catégories, fait référence au concept mathématique de classification. Le métrique avancée le rappel est la fraction de vrais positifs (TP) sur tous les positifs réels (TP + faux négatifs). Il mesure la proportion d’instances positives qui ont été correctement prédites comme positives par le modèle. Veuillez vous référer à ceci Une plongée approfondie dans les métriques avancées d'Amazon SageMaker Canvas pour une analyse approfondie des mesures avancées.
Ceci termine l'étape de création du modèle dans Amazon SageMaker Canvas.
- Testez votre modèle
- Vous pouvez maintenant choisir le Prédire bouton, qui vous amène au Prédire page, où vous pouvez télécharger vos propres images via Prédiction unique or Prédiction par lots. Veuillez définir l'option de votre choix et sélectionner L’ pour télécharger votre image et tester le modèle.
- Commençons par faire une prédiction sur une seule image. Assurez-vous que vous êtes sur le Prédiction unique et choisissez Importer une image. Cela vous amène à une boîte de dialogue où vous pouvez choisir de télécharger votre image à partir de Amazon S3, ou faire un Téléchargement local. Dans notre cas, nous sélectionnons Amazon S3 et accédez à notre répertoire où nous avons les images de test et sélectionnez n'importe quelle image. Sélectionnez ensuite Importer des dates.
- Une fois sélectionné, vous devriez voir l'écran dire Générer des résultats de prédiction. Vous devriez avoir vos résultats dans quelques minutes, comme indiqué ci-dessous.
- Essayons maintenant la prédiction par lots. Sélectionner Prédiction par lots sous Exécuter des prédictions et sélectionnez le Importer un nouvel ensemble de données bouton et nommez-le Prédiction par lots et appuyez sur la Création .
- Dans la fenêtre suivante, assurez-vous d'avoir sélectionné le téléchargement Amazon S3, accédez au répertoire où se trouve notre ensemble de test et sélectionnez le Importer des dates .
- Une fois les images entrées Prêt à fonctionner statut, sélectionnez le bouton radio de l'ensemble de données créé et choisissez Générer des prédictions. Maintenant, vous devriez voir l'état du lot de prédiction par lots pour Génération de prédictions. Attendons quelques minutes pour les résultats.
- Une fois le statut entré Prêt à fonctionner état, choisissez le nom de l’ensemble de données qui vous amène à une page affichant la prédiction détaillée sur toutes nos images.
- Une autre fonctionnalité importante de Batch Prediction est de pouvoir vérifier les résultats et également de pouvoir télécharger la prédiction dans un fichier zip ou csv pour une utilisation ou un partage ultérieur.
Grâce à cela, vous avez réussi à créer un modèle, à l'entraîner et à tester sa prédiction avec Amazon SageMaker Canvas.
Nettoyer
Selectionnez Déconnexion dans le volet de navigation de gauche pour vous déconnecter de l'application Amazon SageMaker Canvas afin d'arrêter la consommation de Heures d'ouverture de l'instance de l'espace de travail SageMaker Canvas et libérer toutes les ressources.
Citation
[1]Fraiwan M, Faouri E. Sur la détection et la classification automatiques du cancer de la peau à l'aide de l'apprentissage par transfert profond. Capteurs (Bâle). 2022 juin 30;22(13):4963. est ce que je: 10.3390/s22134963. PMID : 35808463 ; PMCID : PMC9269808.
Conclusion
Dans cet article, nous vous avons montré comment l'analyse d'images médicales à l'aide de techniques de ML peut accélérer le diagnostic du cancer de la peau et son applicabilité au diagnostic d'autres maladies. Cependant, la création de modèles ML pour la classification d'images est souvent complexe et prend du temps, nécessitant une expertise en codage et des connaissances en ML. Amazon SageMaker Canvas a relevé ce défi en fournissant une interface visuelle qui élimine le besoin de codage ou de compétences spécialisées en ML. Cela permet aux professionnels de santé d’utiliser le ML sans une courbe d’apprentissage abrupte, leur permettant ainsi de se concentrer sur les soins aux patients.
Le processus traditionnel de développement d’un modèle de détection du cancer est fastidieux et prend du temps. Cela implique de collecter un ensemble de données organisé, de prétraiter les images, de former un modèle ML, d'évaluer ses performances et de l'intégrer dans un outil convivial pour les professionnels de la santé. Amazon SageMaker Canvas a simplifié les étapes du prétraitement à l'intégration, ce qui a réduit le temps et les efforts nécessaires à la création d'un modèle de détection du cancer de la peau.
Dans cet article, nous avons exploré les puissantes capacités d'Amazon SageMaker Canvas pour classer les images médicales, mettre en lumière ses avantages et présenter des cas d'utilisation réels qui mettent en valeur son impact profond sur les diagnostics médicaux. L’un des cas d’utilisation convaincants que nous avons explorés était la détection du cancer de la peau et la manière dont un diagnostic précoce améliore souvent considérablement les résultats du traitement et réduit les coûts des soins de santé.
Il est important de reconnaître que la précision du modèle peut varier en fonction de facteurs, tels que la taille de l'ensemble de données de formation et le type spécifique de modèle utilisé. Ces variables jouent un rôle dans la détermination de la performance et de la fiabilité des résultats de classification.
Amazon SageMaker Canvas peut constituer un outil précieux qui aide les professionnels de la santé à diagnostiquer les maladies avec plus de précision et d'efficacité. Il est toutefois essentiel de noter qu’il ne vise pas à remplacer l’expertise et le jugement des professionnels de la santé. Au contraire, cela leur donne du pouvoir en augmentant leurs capacités et en permettant des diagnostics plus précis et plus rapides. L'élément humain reste essentiel dans le processus décisionnel, et la collaboration entre les professionnels de santé et les outils d'intelligence artificielle (IA), dont Amazon SageMaker Canvas, est essentielle pour fournir des soins optimaux aux patients.
À propos des auteurs
Ramakant Joshi est un architecte de solutions AWS, spécialisé dans l'analytique et le domaine sans serveur. Il a une formation en développement de logiciels et en architectures hybrides, et se passionne pour aider les clients à moderniser leur architecture cloud.
Jake Wen est architecte de solutions chez AWS, animé par une passion pour l'apprentissage automatique, le traitement du langage naturel et l'apprentissage profond. Il aide les clients Entreprise à réaliser une modernisation et un déploiement évolutif dans le Cloud. Au-delà du monde de la technologie, Jake apprécie le skateboard, la randonnée et le pilotage de drones aériens.
Sonu Kumar Singh est un architecte de solutions AWS, avec une spécialisation dans le domaine de l'analyse. Il a joué un rôle déterminant dans la catalyse des changements transformateurs au sein des organisations en permettant une prise de décision basée sur les données, alimentant ainsi l'innovation et la croissance. Il aime quand quelque chose qu’il a conçu ou créé a un impact positif. Chez AWS, son intention est d'aider les clients à extraire de la valeur des plus de 200 services cloud d'AWS et de leur donner les moyens de progresser dans leur parcours cloud.
Dariush Azimi est un architecte de solutions chez AWS, avec une spécialisation en apprentissage automatique, en traitement du langage naturel (NLP) et en architecture de microservices avec Kubernetes. Sa mission est de permettre aux organisations d'exploiter tout le potentiel de leurs données grâce à des solutions complètes de bout en bout englobant le stockage des données, l'accessibilité, l'analyse et les capacités prédictives.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/simplify-medical-image-classification-using-amazon-sagemaker-canvas/
- :possède
- :est
- :où
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 15%
- 16
- 17
- 2022
- 30
- 32
- 7
- 8
- 9
- 97
- a
- capacité
- Capable
- Qui sommes-nous
- académique
- accès
- accessibilité
- accessible
- Compte
- précision
- Avec cette connaissance vient le pouvoir de prendre
- avec précision
- la réalisation de
- reconnaître
- présenter
- propos
- adressé
- avancer
- Avancée
- progrès
- AI
- Aide
- Transport Aérien
- algorithmes
- Tous
- Permettre
- permet
- aussi
- Amazon
- Amazon Sage Maker
- Toile Amazon SageMaker
- Amazon Web Services
- Américaine
- an
- selon une analyse de l’Université de Princeton
- analytique
- ainsi que le
- tous
- Application
- une approche
- architecture
- SONT
- autour
- artificiel
- intelligence artificielle
- Intelligence artificielle (AI)
- AS
- aide
- associé
- At
- automatiser
- Automatique
- automatiquement
- AWS
- backend
- fond
- milieux
- Balance
- une barrière
- basé
- Bâle
- BE
- car
- était
- CROYONS
- ci-dessous
- avantages.
- LES MEILLEURS
- Améliorée
- jusqu'à XNUMX fois
- Au-delà
- frontière
- Bas et Leggings
- Box
- Apportez le
- plus large
- construire
- Développement
- construit
- bouton (dans la fenêtre de contrôle qui apparaît maintenant)
- by
- appelé
- CAN
- Cancer
- la toile
- capacités
- les soins
- prudemment
- maisons
- cas
- catalyser
- catégories
- Cellules
- Canaux centraux
- certaines
- challenge
- globaux
- Chance
- chances
- Change
- caractéristiques
- le choix
- Selectionnez
- choose
- classe
- les classes
- classification
- cliniciens
- le cloud
- services de cloud computing
- code
- Codage
- collaboration
- collection
- Couleur
- Colonne
- комбинации
- Commun
- irrésistible
- complet
- finalise
- complexe
- complet
- ordinateur
- Vision par ordinateur
- concept
- conditions
- confirmation
- CONFIRMÉ
- Consensus
- consiste
- Console
- consommation
- contenu
- contribuer
- correct
- Correspondant
- Costs
- pourriez
- engendrent
- créée
- La création
- création
- crucial
- lourd
- organisée
- courbe
- Clients
- dangereux
- données
- stockage de données
- data-driven
- Vers des données
- décès
- La prise de décision
- décisions
- profond
- plongée profonde
- l'apprentissage en profondeur
- ravir
- démocratisation
- démontrer
- Selon
- déployer
- déploiement
- décrit
- un
- voulu
- détaillé
- détecter
- détecté
- Détection
- déterminé
- détermination
- développé
- développement
- Développement
- dialogue
- différent
- différencier
- directement
- discuter
- Maladie
- maladies
- distinguer
- plongeon
- do
- Docteur
- Docteur
- faire
- domaine
- download
- drastiquement
- entraîné
- Drones
- e
- chacun
- Plus tôt
- "Early Bird"
- Efficace
- efficace
- effort
- élément
- élimine
- employés
- vous accompagner
- responsabilise
- permet
- permettant
- englobant
- end-to-end
- Améliore
- assurer
- Entreprise
- essential
- estimé
- évaluer
- Examine
- accélérer
- expériences
- expert
- nous a permis de concevoir
- explorez
- Exploré
- les
- extrait
- f1
- face
- facteurs
- non
- loin
- Fonctionnalité
- few
- champ
- Figure
- Déposez votre dernière attestation
- trouve
- Prénom
- Focus
- Abonnement
- Pour
- favorise
- trouvé
- fraction
- De
- plein
- plus
- écart
- rassemblement
- Général
- générer
- génère
- obtenez
- donné
- plus grand
- Sol
- Croissance
- guide
- harnais
- harvard
- Vous avez
- he
- la médecine
- la santé
- vous aider
- aider
- Souligner
- sa
- Frappé
- détient
- HEURES
- Comment
- How To
- Cependant
- HTML
- HTTPS
- humain
- Élément humain
- Des centaines
- Hybride
- i
- idéal
- identifié
- identifie
- identifier
- Identite
- if
- image
- Classification des images
- satellite
- Impact
- Impacts
- importer
- important
- améliorer
- amélioré
- in
- inclut
- Y compris
- Compris
- Augmente
- initiale
- Innovation
- idées.
- instance
- instrumental
- intégrer
- l'intégration
- Intelligence
- prévu
- Intention
- Interfaces
- interfaces
- développement
- inestimable
- IT
- SES
- lui-même
- chemin
- jpg
- ACTIVITES
- spécialisées
- kumar
- Libellé
- étiquetage
- langue
- gros
- Conduit
- apprentissage
- à gauche
- lumière
- comme
- Liste
- inscription
- enregistrer
- click
- machine learning
- a prendre une
- gestion
- de nombreuses
- mathématique
- Mai..
- mesurer
- les mesures
- médical
- méthodes
- Métrique
- Microscopie
- microservices
- minimise
- Minutes
- manquant
- Mission
- ML
- modèle
- numériques jumeaux (digital twin models)
- moderniser
- Stack monitoring
- PLUS
- Par ailleurs
- (en fait, presque toutes)
- plusieurs
- prénom
- noms
- Nature
- Traitement du langage naturel
- Nature
- NAVIGUER
- Navigation
- Besoin
- besoin
- Besoins
- négatifs
- Nouveauté
- next
- NIH
- nlp
- maintenant
- NV
- objets
- of
- souvent
- on
- une fois
- ONE
- ouvre
- optimaux
- Option
- Options
- or
- organisations
- Autre
- nos
- ande
- les résultats
- décrit
- sortie
- plus de
- global
- propre
- page
- pain
- passion
- passionné
- patientforward
- patients
- /
- performant
- effectue
- autorisations
- Choix
- pilotage
- pivot
- et la planification de votre patrimoine
- Platon
- Intelligence des données Platon
- PlatonDonnées
- Jouez
- joue
- veuillez cliquer
- des notes bonus
- pop-up
- positif
- possible
- Post
- défaillances
- l'éventualité
- power
- solide
- précis
- La précision
- prédit
- prédiction
- Prédictions
- Prévoit
- représentent
- priorise
- procédure
- processus
- traitement
- ,une équipe de professionnels qualifiés
- profond
- proportion
- fournir
- fournit
- aportando
- publié
- des fins
- Rapide
- vite.
- Radio
- gamme
- plutôt
- monde réel
- royaume
- récupération
- réduire
- Prix Réduit
- réduit
- reportez-vous
- se réfère
- libérer
- pertinent
- fiabilité
- reste
- remplacer
- représentant
- exigent
- conditions
- a besoin
- un article
- chercheurs
- Resources
- REST
- Résultats
- bon
- Rôle
- fonctionne
- sagemaker
- dit
- évolutive
- But
- gratter
- pour écran
- dépistage
- Deuxièmement
- Section
- sur le lien
- choisi
- capteur
- Série
- grave
- besoin
- Sans serveur
- sert
- service
- Services
- set
- sept
- Forme
- partage
- Changements
- devrait
- vitrine
- montré
- montré
- Spectacles
- significative
- de façon significative
- étapes
- simplifié
- simplifier
- unique
- Taille
- compétences
- Peau
- Logiciels
- développement de logiciels
- solaire
- sur mesure
- Solutions
- quelque chose
- spécialisé
- spécialisation
- groupe de neurones
- vitesse
- Standard
- Commencer
- Commencez
- départs
- Région
- Statut
- étapes
- Étapes
- Arrêter
- storage
- Étude
- réussi
- Avec succès
- tel
- suggérer
- sûr
- chirurgical
- soupçonneux
- prend
- prise
- technologie
- Technique
- techniques
- tester
- tests
- texte
- que
- qui
- Les
- leur
- Les
- puis
- Là.
- ainsi
- Ces
- l'ont
- this
- ceux
- milliers
- Avec
- fiable
- Des séries chronologiques
- long
- opportun
- à
- outil
- les outils
- tp
- traditionnel
- Train
- qualifié
- Formation
- les trains
- transférer
- transformation
- traitement
- traitement
- oui
- Vérité
- Essai
- deux
- type
- types
- typiquement
- En fin de compte
- sous
- subir
- expérience unique et authentique
- inutile
- Utilisation
- utilisé
- cas d'utilisation
- d'utiliser
- convivial
- en utilisant
- Précieux
- Plus-value
- variété
- divers
- vérifier
- Voir
- visible
- vision
- vital
- attendez
- souhaitez
- était
- Montres
- we
- web
- services Web
- ont été
- quand
- que
- qui
- WHO
- fenêtre
- comprenant
- dans les
- sans
- Ateliers
- world
- écriture
- an
- Vous n'avez
- Votre
- zéphyrnet
- Zip