रोगों के निदान और उपचार में चिकित्सा छवियों का विश्लेषण महत्वपूर्ण भूमिका निभाता है। मशीन लर्निंग (एमएल) तकनीकों का उपयोग करके इस प्रक्रिया को स्वचालित करने की क्षमता स्वास्थ्य पेशेवरों को कुछ कैंसर, कोरोनरी रोगों और नेत्र संबंधी स्थितियों का अधिक तेज़ी से निदान करने की अनुमति देती है। हालाँकि, इस क्षेत्र में चिकित्सकों और शोधकर्ताओं के सामने आने वाली प्रमुख चुनौतियों में से एक छवि वर्गीकरण के लिए एमएल मॉडल के निर्माण की समय लेने वाली और जटिल प्रकृति है। पारंपरिक तरीकों के लिए कोडिंग विशेषज्ञता और एमएल एल्गोरिदम के व्यापक ज्ञान की आवश्यकता होती है, जो कई स्वास्थ्य देखभाल पेशेवरों के लिए बाधा बन सकती है।
इस अंतर को दूर करने के लिए, हमने प्रयोग किया अमेज़ॅन सेजमेकर कैनवास, एक दृश्य उपकरण जो चिकित्सा चिकित्सकों को कोडिंग या विशेष ज्ञान के बिना एमएल मॉडल बनाने और तैनात करने की अनुमति देता है। यह उपयोगकर्ता-अनुकूल दृष्टिकोण एमएल से जुड़े तीव्र सीखने की अवस्था को समाप्त करता है, जो चिकित्सकों को अपने रोगियों पर ध्यान केंद्रित करने के लिए मुक्त करता है।
अमेज़ॅन सेजमेकर कैनवास एमएल मॉडल बनाने के लिए ड्रैग-एंड-ड्रॉप इंटरफ़ेस प्रदान करता है। चिकित्सक उस डेटा का चयन कर सकते हैं जिसका वे उपयोग करना चाहते हैं, वांछित आउटपुट निर्दिष्ट कर सकते हैं, और फिर देख सकते हैं कि यह स्वचालित रूप से मॉडल का निर्माण और प्रशिक्षण करता है। एक बार मॉडल प्रशिक्षित हो जाने के बाद, यह सटीक भविष्यवाणियाँ उत्पन्न करता है।
यह दृष्टिकोण उन चिकित्सा चिकित्सकों के लिए आदर्श है जो अपने निदान और उपचार निर्णयों को बेहतर बनाने के लिए एमएल का उपयोग करना चाहते हैं। अमेज़ॅन सेजमेकर कैनवस के साथ, वे एमएल विशेषज्ञ होने की आवश्यकता के बिना, अपने मरीजों की मदद करने के लिए एमएल की शक्ति का उपयोग कर सकते हैं।
चिकित्सा छवि वर्गीकरण सीधे रोगी के परिणामों और स्वास्थ्य देखभाल दक्षता को प्रभावित करता है। चिकित्सा छवियों का समय पर और सटीक वर्गीकरण बीमारियों का शीघ्र पता लगाने की अनुमति देता है जो प्रभावी उपचार योजना और निगरानी में सहायता करता है। इसके अलावा, अमेज़ॅन सेजमेकर कैनवस जैसे सुलभ इंटरफेस के माध्यम से एमएल का लोकतंत्रीकरण, चिकित्सा छवि विश्लेषण के क्षेत्र में योगदान करने के लिए व्यापक तकनीकी पृष्ठभूमि वाले लोगों सहित स्वास्थ्य पेशेवरों की एक विस्तृत श्रृंखला को सक्षम बनाता है। यह समावेशी दृष्टिकोण सहयोग और ज्ञान साझा करने को बढ़ावा देता है और अंततः स्वास्थ्य देखभाल अनुसंधान और बेहतर रोगी देखभाल में प्रगति की ओर ले जाता है।
इस पोस्ट में, हम चिकित्सा छवियों को वर्गीकृत करने में अमेज़ॅन सेजमेकर कैनवस की क्षमताओं का पता लगाएंगे, इसके लाभों पर चर्चा करेंगे, और वास्तविक दुनिया के उपयोग के मामलों पर प्रकाश डालेंगे जो चिकित्सा निदान पर इसके प्रभाव को प्रदर्शित करते हैं।
उदाहरण
त्वचा कैंसर एक गंभीर और संभावित रूप से घातक बीमारी है, और जितनी जल्दी इसका पता लगाया जाता है, सफल उपचार की संभावना उतनी ही अधिक होती है। सांख्यिकीय रूप से, त्वचा कैंसर (उदाहरण के लिए बेसल और स्क्वैमस सेल कार्सिनोमा) सबसे आम कैंसर प्रकारों में से एक है और इससे सैकड़ों हजारों मौतें होती हैं। दुनिया भर हर साल। यह त्वचा कोशिकाओं की असामान्य वृद्धि के माध्यम से स्वयं प्रकट होता है।
हालाँकि, शीघ्र निदान से ठीक होने की संभावना काफी बढ़ जाती है। इसके अलावा, यह सर्जिकल, रेडियोग्राफ़िक, या कीमोथेराप्यूटिक उपचारों को अनावश्यक बना सकता है या उनके समग्र उपयोग को कम कर सकता है, जिससे स्वास्थ्य देखभाल लागत को कम करने में मदद मिलेगी।
त्वचा कैंसर के निदान की प्रक्रिया डर्मोस्कोपी [1] नामक प्रक्रिया से शुरू होती है, जो त्वचा के घावों के सामान्य आकार, आकार और रंग विशेषताओं का निरीक्षण करती है। संदिग्ध घावों को कैंसर कोशिका प्रकार की पुष्टि के लिए आगे के नमूने और हिस्टोलॉजिकल परीक्षणों से गुजरना पड़ता है। डॉक्टर त्वचा कैंसर का पता लगाने के लिए कई तरीकों का उपयोग करते हैं, जिसकी शुरुआत दृश्य पहचान से होती है। अमेरिकन सेंटर फॉर द स्टडी ऑफ डर्मेटोलॉजी ने मेलेनोमा के संभावित आकार के लिए एक गाइड विकसित किया, जिसे कहा जाता है ए बी सी डी (विषमता, सीमा, रंग, व्यास) और इसका उपयोग डॉक्टरों द्वारा रोग की प्रारंभिक जांच के लिए किया जाता है। यदि कोई संदिग्ध त्वचा घाव पाया जाता है, तो डॉक्टर त्वचा पर दिखाई देने वाले घाव की बायोप्सी लेते हैं और सौम्य या घातक निदान और त्वचा कैंसर के प्रकार के लिए सूक्ष्मदर्शी से इसकी जांच करते हैं। कंप्यूटर विज़न मॉडल संदिग्ध मस्सों या घावों की पहचान करने में मदद करने में महत्वपूर्ण भूमिका निभा सकते हैं, जो पहले और अधिक सटीक निदान को सक्षम बनाता है।
कैंसर का पता लगाने वाला मॉडल बनाना एक बहु-चरणीय प्रक्रिया है, जैसा कि नीचे बताया गया है:
- स्वस्थ त्वचा और विभिन्न प्रकार के कैंसरग्रस्त या कैंसरपूर्व घावों वाली त्वचा से छवियों का एक बड़ा डेटासेट इकट्ठा करें। सटीकता और स्थिरता सुनिश्चित करने के लिए इस डेटासेट को सावधानीपूर्वक क्यूरेट करने की आवश्यकता है।
- स्वस्थ और कैंसरग्रस्त त्वचा के बीच अंतर करने के लिए छवियों को प्रीप्रोसेस करने और प्रासंगिक निकालने के लिए कंप्यूटर विज़न तकनीकों का उपयोग करें।
- मॉडल को विभिन्न त्वचा प्रकारों के बीच अंतर करना सिखाने के लिए पर्यवेक्षित शिक्षण दृष्टिकोण का उपयोग करके पूर्व-संसाधित छवियों पर एक एमएल मॉडल को प्रशिक्षित करें।
- यह सुनिश्चित करने के लिए कि यह कैंसरग्रस्त त्वचा की सटीक पहचान करता है और गलत सकारात्मकता को कम करता है, सटीकता और रिकॉल जैसे विभिन्न मेट्रिक्स का उपयोग करके मॉडल के प्रदर्शन का मूल्यांकन करें।
- मॉडल को एक उपयोगकर्ता-अनुकूल उपकरण में एकीकृत करें जिसका उपयोग त्वचा विशेषज्ञों और अन्य स्वास्थ्य देखभाल पेशेवरों द्वारा त्वचा कैंसर का पता लगाने और निदान में सहायता के लिए किया जा सकता है।
कुल मिलाकर, खरोंच से त्वचा कैंसर का पता लगाने वाले मॉडल को विकसित करने की प्रक्रिया में आमतौर पर महत्वपूर्ण संसाधनों और विशेषज्ञता की आवश्यकता होती है। यह वह जगह है जहां अमेज़ॅन सेजमेकर कैनवास चरण 2 - 5 के लिए समय और प्रयास को सरल बनाने में मदद कर सकता है।
समाधान अवलोकन
बिना कोई कोड लिखे त्वचा कैंसर कंप्यूटर विज़न मॉडल के निर्माण को प्रदर्शित करने के लिए, हम हार्वर्ड डेटावर्स द्वारा प्रकाशित डर्मेटोस्कोपी त्वचा कैंसर छवि डेटासेट का उपयोग करते हैं। हम डेटासेट का उपयोग करते हैं, जो यहां पाया जा सकता है एचएएम८१२३४६४४४ और इसमें त्वचा कैंसर वर्गीकरण मॉडल बनाने के लिए 10,015 डर्माटोस्कोपिक छवियां शामिल हैं, जो त्वचा कैंसर वर्गों की भविष्यवाणी करती हैं। डेटासेट के बारे में कुछ मुख्य बिंदु:
- डेटासेट अकादमिक एमएल उद्देश्यों के लिए एक प्रशिक्षण सेट के रूप में कार्य करता है।
- इसमें रंजित घावों के क्षेत्र में सभी महत्वपूर्ण नैदानिक श्रेणियों का एक प्रतिनिधि संग्रह शामिल है।
- डेटासेट में कुछ श्रेणियां हैं: एक्टिनिक केराटोस और इंट्रापीथेलियल कार्सिनोमा / बोवेन रोग (एकीईसी), बेसल सेल कार्सिनोमा (बीसीसी), सौम्य केराटोसिस-जैसे घाव (सौर लेंटिगाइन / सेबोरहाइक केराटोस और लाइकेन-प्लैनस जैसे केराटोस, बीकेएल), डर्माटोफाइब्रोमा ( डीएफ), मेलेनोमा (मेल), मेलानोसाइटिक नेवी (एनवी) और संवहनी घाव (एंजियोमास, एंजियोकेराटोमास, पाइोजेनिक ग्रैनुलोमा और हेमोरेज, वास्क)
- डेटासेट में 50% से अधिक घावों की पुष्टि हिस्टोपैथोलॉजी (हिस्टो) के माध्यम से की जाती है।
- बाकी मामलों की जमीनी सच्चाई अनुवर्ती जांच के माध्यम से निर्धारित की जाती है (
follow_up
), विशेषज्ञ सहमति (आम सहमति), या पुष्टि द्वारा vivo में कन्फोकल माइक्रोस्कोपी (कन्फोकल)। - डेटासेट में कई छवियों के साथ घाव शामिल हैं, जिनका उपयोग करके ट्रैक किया जा सकता है
lesion_id
के अंदर कॉलमHAM10000_metadata
फ़ाइल.
हम दिखाते हैं कि अमेज़ॅन सेजमेकर कैनवस का उपयोग करके बिना कोई कोड लिखे कई त्वचा कैंसर श्रेणियों के लिए छवि वर्गीकरण को कैसे सरल बनाया जाए। त्वचा के घाव की एक छवि को देखते हुए, सेजमेकर कैनवस छवि वर्गीकरण स्वचालित रूप से एक छवि को सौम्य या संभावित कैंसर में वर्गीकृत करता है।
.. पूर्वापेक्षाएँ
- एक तक पहुंच एडब्ल्यूएस चरण अनुभाग में वर्णित संसाधन बनाने की अनुमति वाला खाता।
- एक AWS पहचान और पहुंच प्रबंधन (AWS IAM) उपयोगकर्ता Amazon SageMaker का उपयोग करने की पूर्ण अनुमति के साथ।
Walkthrough
- सेजमेकर डोमेन सेट अप करें
- उल्लिखित चरणों का उपयोग करके एक Amazon SageMaker डोमेन बनाएं यहाँ उत्पन्न करें.
- डाउनलोड एचएएम८१२३४६४४४ डाटासेट।
- सेट-अप डेटासेट
- एक अमेज़ॅन सिंपल स्टोरेज सर्विस बनाएं (अमेज़न S3) एक अनोखे नाम वाली बाल्टी, जो है
image-classification-<ACCOUNT_ID>
जहां ACCOUNT_ID आपका अद्वितीय AWS खाता नंबर है। - इस बकेट में दो फ़ोल्डर बनाएं:
training-data
औरtest-data
. - प्रशिक्षण-डेटा के अंतर्गत, डेटासेट में पहचानी गई प्रत्येक त्वचा कैंसर श्रेणी के लिए सात फ़ोल्डर बनाएं:
akiec
,bcc
,bkl
,df
,mel
,nv
, तथाvasc
. - डेटासेट में कई छवियों के साथ घाव शामिल हैं, जिन्हें ट्रैक किया जा सकता है
lesion_id-column
के अंदरHAM10000_metadata
फ़ाइल। का उपयोगlesion_id-column
, संबंधित छवियों को सही फ़ोल्डर में कॉपी करें (यानी, आप प्रत्येक वर्गीकरण के लिए 100 छवियों से शुरू कर सकते हैं)।
- एक अमेज़ॅन सिंपल स्टोरेज सर्विस बनाएं (अमेज़न S3) एक अनोखे नाम वाली बाल्टी, जो है
- अमेज़ॅन सेजमेकर कैनवास का उपयोग करें
- इस पर जाएँ अमेज़न SageMaker कंसोल में सेवा और चयन करें कैनवास सूची से। एक बार जब आप कैनवास पृष्ठ पर हों, तो कृपया चयन करें कैनवास खोलें बटन.
- एक बार जब आप कैनवास पृष्ठ पर हों, तो चयन करें मेरे मॉडल और फिर चुनें नया नमूना आपकी स्क्रीन के दाईं ओर.
- एक नई पॉप-अप विंडो खुलती है, जहां हम नाम देते हैं छवि_वर्गीकृत करें मॉडल के नाम के रूप में और छवि विश्लेषण का चयन करें समस्या प्रकार.
- डेटासेट आयात करें
- अगले पृष्ठ पर, कृपया चयन करें डेटासेट बनाएं और पॉप-अप बॉक्स में डेटासेट को इस प्रकार नाम दें छवि_वर्गीकृत करें और चयन करें बनाएं बटन.
- अगले पृष्ठ पर, बदलें डेटा स्रोत सेवा मेरे अमेज़न S3. आप छवियाँ सीधे भी अपलोड कर सकते हैं (अर्थात्, स्थानीय अपलोड).
- जब आप सेलेक्ट करेंगे अमेज़न S3, आपको अपने खाते में मौजूद बकेट की सूची मिल जाएगी। उस पेरेंट बकेट का चयन करें जो डेटासेट को सबफ़ोल्डर में रखता है (उदाहरण के लिए, छवि-वर्गीकरण-2023 का चयन करें और आयात आंकड़ा बटन। यह अमेज़ॅन सेजमेकर कैनवास को फ़ोल्डर नामों के आधार पर छवियों को तुरंत लेबल करने की अनुमति देता है।
- एक बार, डेटासेट सफलतापूर्वक आयात हो जाने पर, आप स्थिति कॉलम में मान को बदलते हुए देखेंगे तैयार से प्रसंस्करण.
- अब अपना डेटासेट चुनकर चुनें डेटासेट चुनें आपके पेज के नीचे.
- अपना मॉडल बनाएं
- पर बनाएँ पृष्ठ पर, आपको अपना डेटा Amazon S3 में फ़ोल्डर नाम के अनुसार आयातित और लेबल किया हुआ देखना चाहिए।
- चयन त्वरित निर्माण बटन (यानी, निम्न छवि में लाल-हाइलाइट की गई सामग्री) और आपको मॉडल बनाने के लिए दो विकल्प दिखाई देंगे। पहला है त्वरित निर्माण और दूसरा है मानक निर्माण. जैसा कि नाम से पता चलता है कि त्वरित निर्माण विकल्प सटीकता से अधिक गति प्रदान करता है और मॉडल को बनाने में लगभग 15 से 30 मिनट लगते हैं। मानक निर्माण गति से अधिक सटीकता को प्राथमिकता देता है, मॉडल निर्माण को पूरा होने में 45 मिनट से 4 घंटे तक का समय लगता है। मानक बिल्ड हाइपरपैरामीटर के विभिन्न संयोजनों का उपयोग करके प्रयोग चलाता है और बैकएंड में कई मॉडल बनाता है (सेजमेकर ऑटोपायलट कार्यक्षमता का उपयोग करके) और फिर सबसे अच्छा मॉडल चुनता है।
- चुनते हैं मानक निर्माण मॉडल का निर्माण शुरू करने के लिए. इसे पूरा होने में लगभग 2-5 घंटे लगते हैं।
- एक बार मॉडल निर्माण पूरा हो जाने पर, आप अनुमानित सटीकता देख सकते हैं जैसा चित्र 11 में दिखाया गया है।
- यदि आप चुनते हैं तो स्कोरिंग टैब, यह आपको मॉडल सटीकता में अंतर्दृष्टि प्रदान करेगा। इसके अलावा, हम इसका चयन भी कर सकते हैं उन्नत मेट्रिक्स पर बटन स्कोरिंग सटीकता, रिकॉल और F1 स्कोर देखने के लिए टैब (सटीकता का एक संतुलित माप जो वर्ग संतुलन को ध्यान में रखता है)।
- अमेज़ॅन सेजमेकर कैनवस आपको जो उन्नत मेट्रिक्स दिखाता है, वह इस पर निर्भर करता है कि आपका मॉडल आपके डेटा पर संख्यात्मक, श्रेणीबद्ध, छवि, पाठ, या समय श्रृंखला का पूर्वानुमान करता है या नहीं। इस मामले में, हमारा मानना है कि याद रखना सटीकता से अधिक महत्वपूर्ण है क्योंकि कैंसर का पता न लग पाना सही पता लगाने से कहीं अधिक खतरनाक है। श्रेणीबद्ध भविष्यवाणी, जैसे 2-श्रेणी की भविष्यवाणी या 3-श्रेणी की भविष्यवाणी, वर्गीकरण की गणितीय अवधारणा को संदर्भित करती है। उन्नत मीट्रिक रिकॉल सभी वास्तविक सकारात्मकताओं (टीपी + गलत नकारात्मक) में से वास्तविक सकारात्मकता (टीपी) का अंश है। यह उन सकारात्मक उदाहरणों के अनुपात को मापता है जिनकी मॉडल द्वारा सकारात्मक रूप से सही भविष्यवाणी की गई थी। कृपया इसे देखें अमेज़ॅन सेजमेकर कैनवस उन्नत मेट्रिक्स में एक गहरा गोता अग्रिम मेट्रिक्स पर गहराई से विचार करने के लिए।
यह Amazon SageMaker Canvas में मॉडल निर्माण चरण पूरा करता है।
- अपने मॉडल का परीक्षण करें
- अब आप चुन सकते हैं भविष्यवाणी करना बटन, जो आपको ले जाता है भविष्यवाणी करना पेज, जहां आप अपनी खुद की छवियां अपलोड कर सकते हैं एकल भविष्यवाणी or बैच भविष्यवाणी. कृपया अपनी पसंद का विकल्प सेट करें और चुनें आयात अपनी छवि अपलोड करने और मॉडल का परीक्षण करने के लिए।
- आइए एकल छवि भविष्यवाणी करके शुरुआत करें। सुनिश्चित करें कि आप पर हैं एकल भविष्यवाणी और चुनें छवि आयात करें. यह आपको एक संवाद बॉक्स में ले जाता है जहां से आप अपनी छवि अपलोड करना चुन सकते हैं अमेज़न S3, या एक करो स्थानीय अपलोड. हमारे मामले में, हम चयन करते हैं अमेज़न S3 और हमारी निर्देशिका में ब्राउज़ करें जहां हमारे पास परीक्षण छवियां हैं और किसी भी छवि का चयन करें। फिर चुनें आयात आंकड़ा.
- एक बार चयन करने के बाद, आपको स्क्रीन पर लिखा हुआ दिखना चाहिए पूर्वानुमान परिणाम उत्पन्न करना. जैसा कि नीचे दिखाया गया है, आपको कुछ ही मिनटों में अपने परिणाम मिल जाने चाहिए।
- अब आइए बैच भविष्यवाणी का प्रयास करें। चुनना बैच भविष्यवाणी के अंतर्गत पूर्वानुमान चलाएँ और चयन करें नया डेटासेट आयात करें बटन और इसे नाम दें बैचभविष्यवाणी और हिट बनाएं बटन.
- अगली विंडो पर, सुनिश्चित करें कि आपने Amazon S3 अपलोड का चयन किया है और उस निर्देशिका को ब्राउज़ करें जहां हमारा परीक्षण सेट है और चुनें आयात आंकड़ा बटन.
- एक बार छवियां अंदर आ जाएं तैयार स्थिति, निर्मित डेटासेट के लिए रेडियो बटन का चयन करें और पूर्वानुमान उत्पन्न करें चुनें। अब, आपको बैच पूर्वानुमान बैच की स्थिति देखनी चाहिए भविष्यवाणियाँ उत्पन्न करना. आइए नतीजों के लिए कुछ मिनट इंतजार करें।
- एक बार स्टेटस आ गया तैयार राज्य, वह डेटासेट नाम चुनें जो आपको हमारी सभी छवियों पर विस्तृत भविष्यवाणी दिखाने वाले पृष्ठ पर ले जाता है।
- बैच भविष्यवाणी की एक अन्य महत्वपूर्ण विशेषता परिणामों को सत्यापित करने में सक्षम होना और आगे के उपयोग या साझा करने के लिए ज़िप या सीएसवी फ़ाइल में भविष्यवाणी को डाउनलोड करने में सक्षम होना है।
इसके साथ आप Amazon SageMaker Canvas के साथ सफलतापूर्वक एक मॉडल बनाने, उसे प्रशिक्षित करने और उसकी भविष्यवाणी का परीक्षण करने में सक्षम हो गए हैं।
सफाई करना
चुनें बाहर प्रवेश करें की खपत को रोकने के लिए अमेज़ॅन सेजमेकर कैनवास एप्लिकेशन से लॉग आउट करने के लिए बाएं नेविगेशन फलक में सेजमेकर कैनवस कार्यक्षेत्र उदाहरण घंटे और सभी संसाधन जारी करें।
उद्धरण
[1]फ़्राइवान एम, फौरी ई। डीप ट्रांसफर लर्निंग का उपयोग करके त्वचा कैंसर का स्वचालित पता लगाने और वर्गीकरण पर. सेंसर (बेसल)। 2022 जून 30;22(13):4963। डीओआई: 10.3390/एस22134963। पीएमआईडी: 35808463; पीएमसीआईडी: PMC9269808.
निष्कर्ष
इस पोस्ट में, हमने आपको दिखाया कि एमएल तकनीकों का उपयोग करके चिकित्सा छवि विश्लेषण कैसे त्वचा कैंसर के निदान में तेजी ला सकता है, और अन्य बीमारियों के निदान में इसकी प्रयोज्यता कैसे हो सकती है। हालाँकि, छवि वर्गीकरण के लिए एमएल मॉडल बनाना अक्सर जटिल और समय लेने वाला होता है, जिसके लिए कोडिंग विशेषज्ञता और एमएल ज्ञान की आवश्यकता होती है। अमेज़ॅन सेजमेकर कैनवस ने एक विज़ुअल इंटरफ़ेस प्रदान करके इस चुनौती का समाधान किया जो कोडिंग या विशेष एमएल कौशल की आवश्यकता को समाप्त करता है। यह स्वास्थ्य देखभाल पेशेवरों को गहन सीखने की अवस्था के बिना एमएल का उपयोग करने का अधिकार देता है, जिससे उन्हें रोगी देखभाल पर ध्यान केंद्रित करने की अनुमति मिलती है।
कैंसर का पता लगाने वाला मॉडल विकसित करने की पारंपरिक प्रक्रिया बोझिल और समय लेने वाली है। इसमें क्यूरेटेड डेटासेट इकट्ठा करना, छवियों को प्रीप्रोसेस करना, एमएल मॉडल को प्रशिक्षित करना, इसके प्रदर्शन का मूल्यांकन करना और इसे स्वास्थ्य पेशेवरों के लिए उपयोगकर्ता के अनुकूल टूल में एकीकृत करना शामिल है। अमेज़ॅन सेजमेकर कैनवस ने प्रीप्रोसेसिंग से लेकर एकीकरण तक के चरणों को सरल बना दिया, जिससे त्वचा कैंसर का पता लगाने वाले मॉडल के निर्माण के लिए आवश्यक समय और प्रयास कम हो गया।
इस पोस्ट में, हमने चिकित्सा छवियों को वर्गीकृत करने, इसके लाभों पर प्रकाश डालने और वास्तविक दुनिया के उपयोग के मामलों को प्रस्तुत करने में अमेज़ॅन सेजमेकर कैनवस की शक्तिशाली क्षमताओं पर प्रकाश डाला है जो चिकित्सा निदान पर इसके गहरा प्रभाव को प्रदर्शित करते हैं। ऐसा ही एक सम्मोहक उपयोग मामला जिसे हमने खोजा वह त्वचा कैंसर का पता लगाना था और कैसे शीघ्र निदान अक्सर उपचार के परिणामों को महत्वपूर्ण रूप से बढ़ाता है और स्वास्थ्य देखभाल की लागत को कम करता है।
यह स्वीकार करना महत्वपूर्ण है कि मॉडल की सटीकता कारकों के आधार पर भिन्न हो सकती है, जैसे प्रशिक्षण डेटासेट का आकार और नियोजित विशिष्ट प्रकार का मॉडल। ये चर वर्गीकरण परिणामों के प्रदर्शन और विश्वसनीयता को निर्धारित करने में भूमिका निभाते हैं।
अमेज़ॅन सेजमेकर कैनवास एक अमूल्य उपकरण के रूप में काम कर सकता है जो स्वास्थ्य पेशेवरों को अधिक सटीकता और दक्षता के साथ बीमारियों का निदान करने में सहायता करता है। हालाँकि, यह ध्यान रखना महत्वपूर्ण है कि इसका उद्देश्य स्वास्थ्य देखभाल पेशेवरों की विशेषज्ञता और निर्णय को प्रतिस्थापित करना नहीं है। बल्कि, यह उनकी क्षमताओं को बढ़ाकर और अधिक सटीक और समीचीन निदान को सक्षम करके उन्हें सशक्त बनाता है। निर्णय लेने की प्रक्रिया में मानवीय तत्व आवश्यक है, और अमेज़ॅन सेजमेकर कैनवस सहित स्वास्थ्य देखभाल पेशेवरों और कृत्रिम बुद्धिमत्ता (एआई) उपकरणों के बीच सहयोग, इष्टतम रोगी देखभाल प्रदान करने में महत्वपूर्ण है।
लेखक के बारे में
रमाकांत जोशी एक AWS सॉल्यूशंस आर्किटेक्ट है, जो एनालिटिक्स और सर्वर रहित डोमेन में विशेषज्ञता रखता है। उनके पास सॉफ्टवेयर विकास और हाइब्रिड आर्किटेक्चर की पृष्ठभूमि है, और ग्राहकों को उनके क्लाउड आर्किटेक्चर को आधुनिक बनाने में मदद करने का शौक है।
जेक वेनो AWS में एक सॉल्यूशन आर्किटेक्ट है, जो मशीन लर्निंग, नेचुरल लैंग्वेज प्रोसेसिंग और डीप लर्निंग के जुनून से प्रेरित है। वह क्लाउड में आधुनिकीकरण और स्केलेबल तैनाती हासिल करने में एंटरप्राइज ग्राहकों की सहायता करता है। तकनीक की दुनिया से परे, जेक को स्केटबोर्डिंग, लंबी पैदल यात्रा और हवाई ड्रोन चलाने में आनंद आता है।
सोनू कुमार सिंह एनालिटिक्स डोमेन में विशेषज्ञता के साथ एक AWS सॉल्यूशंस आर्किटेक्ट है। उन्होंने डेटा-संचालित निर्णय लेने में सक्षम बनाकर संगठनों में परिवर्तनकारी बदलाव लाने में महत्वपूर्ण भूमिका निभाई है, जिससे नवाचार और विकास को बढ़ावा मिला है। उसे तब आनंद आता है जब उसकी डिज़ाइन की गई या बनाई गई कोई चीज़ सकारात्मक प्रभाव डालती है। AWS में उनका इरादा ग्राहकों को AWS की 200+ क्लाउड सेवाओं से मूल्य निकालने में मदद करना और उन्हें उनकी क्लाउड यात्रा में सशक्त बनाना है।
दरिउश अज़ीमी मशीन लर्निंग, नेचुरल लैंग्वेज प्रोसेसिंग (एनएलपी) और कुबेरनेट्स के साथ माइक्रोसर्विसेज आर्किटेक्चर में विशेषज्ञता के साथ, एडब्ल्यूएस में एक सॉल्यूशन आर्किटेक्ट है। उनका मिशन डेटा भंडारण, पहुंच, विश्लेषण और पूर्वानुमान क्षमताओं को शामिल करते हुए व्यापक एंड-टू-एंड समाधानों के माध्यम से संगठनों को अपने डेटा की पूरी क्षमता का उपयोग करने के लिए सशक्त बनाना है।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/simplify-medical-image-classification-using-amazon-sagemaker-canvas/
- :हैस
- :है
- :कहाँ
- $यूपी
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 15% तक
- 16
- 17
- 2022
- 30
- 32
- 7
- 8
- 9
- 97
- a
- क्षमता
- योग्य
- About
- शैक्षिक
- पहुँच
- एक्सेसिबिलिटी
- सुलभ
- लेखा
- शुद्धता
- सही
- सही रूप में
- प्राप्त करने
- स्वीकार करना
- वास्तविक
- पता
- संबोधित
- उन्नत
- उन्नत
- प्रगति
- AI
- सहायता
- आकाशवाणी
- एल्गोरिदम
- सब
- की अनुमति दे
- की अनुमति देता है
- भी
- वीरांगना
- अमेज़न SageMaker
- अमेज़ॅन सेजमेकर कैनवास
- अमेज़ॅन वेब सेवा
- अमेरिकन
- an
- विश्लेषण
- विश्लेषिकी
- और
- कोई
- आवेदन
- दृष्टिकोण
- स्थापत्य
- हैं
- चारों ओर
- कृत्रिम
- कृत्रिम बुद्धिमत्ता
- कृत्रिम बुद्धिमत्ता (AI)
- AS
- सहायता
- जुड़े
- At
- को स्वचालित रूप से
- स्वचालित
- स्वतः
- एडब्ल्यूएस
- बैकएण्ड
- पृष्ठभूमि
- पृष्ठभूमि
- शेष
- अवरोध
- आधारित
- बेसल
- BE
- क्योंकि
- किया गया
- मानना
- नीचे
- लाभ
- BEST
- बेहतर
- के बीच
- परे
- सीमा
- तल
- मुक्केबाज़ी
- लाता है
- व्यापक
- निर्माण
- इमारत
- बनाता है
- बटन
- by
- बुलाया
- कर सकते हैं
- कैंसर
- कैनवास
- क्षमताओं
- कौन
- सावधानी से
- मामला
- मामलों
- उत्प्रेरित
- श्रेणियाँ
- कोशिकाओं
- केंद्र
- कुछ
- चुनौती
- चुनौतियों
- संयोग
- संभावना
- परिवर्तन
- विशेषताएँ
- चुनाव
- चुनें
- चुनने
- कक्षा
- कक्षाएं
- वर्गीकरण
- चिकित्सकों
- बादल
- क्लाउड सेवाएं
- कोड
- कोडन
- सहयोग
- संग्रह
- रंग
- स्तंभ
- संयोजन
- सामान्य
- सम्मोहक
- पूरा
- पूरा करता है
- जटिल
- व्यापक
- कंप्यूटर
- Computer Vision
- संकल्पना
- स्थितियां
- पुष्टि
- की पुष्टि
- आम राय
- होते हैं
- कंसोल
- खपत
- सामग्री
- योगदान
- सही
- इसी
- लागत
- सका
- बनाना
- बनाया
- बनाना
- निर्माण
- महत्वपूर्ण
- बोझिल
- क्यूरेट
- वक्र
- ग्राहक
- खतरनाक
- तिथि
- डेटा भंडारण
- डेटा पर ही आधारित
- डाटावसर
- होने वाली मौतों
- निर्णय
- निर्णय
- गहरा
- विस्तृत विश्लेषण
- ध्यान लगा के पढ़ना या सीखना
- हर्ष
- जनतंत्रीकरण
- दिखाना
- निर्भर करता है
- तैनात
- तैनाती
- वर्णित
- बनाया गया
- वांछित
- विस्तृत
- पता लगाना
- पता चला
- खोज
- निर्धारित
- निर्धारित करने
- विकसित
- विकासशील
- विकास
- बातचीत
- विभिन्न
- में अंतर
- सीधे
- चर्चा करना
- रोग
- रोगों
- अंतर करना
- डुबकी
- do
- चिकित्सक
- डॉक्टरों
- कर
- डोमेन
- डाउनलोड
- काफी
- संचालित
- राजा
- e
- से प्रत्येक
- पूर्व
- शीघ्र
- प्रभावी
- दक्षता
- प्रयास
- तत्व
- को हटा देता है
- कार्यरत
- सशक्त
- अधिकार
- सक्षम बनाता है
- समर्थकारी
- शामिल
- शुरू से अंत तक
- बढ़ाता है
- सुनिश्चित
- उद्यम
- आवश्यक
- अनुमानित
- मूल्यांकन करें
- परख होती है
- शीघ्र
- प्रयोगों
- विशेषज्ञ
- विशेषज्ञता
- का पता लगाने
- पता लगाया
- व्यापक
- उद्धरण
- f1
- का सामना करना पड़ा
- कारकों
- असत्य
- दूर
- Feature
- कुछ
- खेत
- आकृति
- पट्टिका
- पाता
- प्रथम
- फोकस
- निम्नलिखित
- के लिए
- फोस्टर
- पाया
- अंश
- से
- पूर्ण
- कार्यक्षमता
- आगे
- अन्तर
- सभा
- सामान्य जानकारी
- उत्पन्न
- उत्पन्न करता है
- मिल
- दी
- अधिक से अधिक
- जमीन
- विकास
- गाइड
- साज़
- हावर्ड
- है
- he
- स्वास्थ्य सेवा
- स्वस्थ
- मदद
- मदद
- हाइलाइट
- उसके
- मारो
- रखती है
- घंटे
- कैसे
- How To
- तथापि
- एचटीएमएल
- HTTPS
- मानव
- मानव तत्व
- सैकड़ों
- संकर
- i
- आदर्श
- पहचान
- पहचानती
- पहचान करना
- पहचान
- if
- की छवि
- छवि वर्गीकरण
- छवियों
- प्रभाव
- Impacts
- आयात
- महत्वपूर्ण
- में सुधार
- उन्नत
- in
- शामिल
- सहित
- सम्मिलित
- बढ़ जाती है
- प्रारंभिक
- नवोन्मेष
- अंतर्दृष्टि
- उदाहरण
- सहायक
- एकीकृत
- एकीकरण
- बुद्धि
- इरादा
- इरादा
- इंटरफेस
- इंटरफेस
- में
- अमूल्य
- IT
- आईटी इस
- खुद
- यात्रा
- जेपीजी
- कुंजी
- ज्ञान
- कुमार
- लेबल
- लेबलिंग
- भाषा
- बड़ा
- बिक्रीसूत्र
- सीख रहा हूँ
- बाएं
- प्रकाश
- पसंद
- सूची
- लिस्टिंग
- लॉग इन
- मशीन
- यंत्र अधिगम
- बनाना
- प्रबंध
- बहुत
- गणितीय
- मई..
- माप
- उपायों
- मेडिकल
- तरीकों
- मेट्रिक्स
- माइक्रोस्कोपी
- microservices
- कम करता है
- मिनटों
- लापता
- मिशन
- ML
- आदर्श
- मॉडल
- आधुनिकीकरण
- निगरानी
- अधिक
- और भी
- अधिकांश
- विभिन्न
- नाम
- नामों
- प्राकृतिक
- प्राकृतिक भाषा संसाधन
- प्रकृति
- नेविगेट करें
- पथ प्रदर्शन
- आवश्यकता
- ज़रूरत
- की जरूरत है
- नकारात्मक
- नया
- अगला
- NIH
- NLP
- अभी
- NV
- वस्तुओं
- of
- अक्सर
- on
- एक बार
- ONE
- खोलता है
- इष्टतम
- विकल्प
- ऑप्शंस
- or
- संगठनों
- अन्य
- हमारी
- आउट
- परिणामों
- उल्लिखित
- उत्पादन
- के ऊपर
- कुल
- अपना
- पृष्ठ
- फलक
- जुनून
- आवेशपूर्ण
- रोगी
- रोगियों
- प्रति
- प्रदर्शन
- प्रदर्शन
- अनुमतियाँ
- की पसंद
- संचालन
- केंद्रीय
- की योजना बना
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- प्ले
- निभाता
- कृप्या अ
- अंक
- पॉप - अप
- सकारात्मक
- संभव
- पद
- संभावित
- संभावित
- बिजली
- शक्तिशाली
- ठीक
- शुद्धता
- भविष्यवाणी
- भविष्यवाणी
- भविष्यवाणियों
- भविष्यवाणी
- वर्तमान
- प्राथमिकता
- प्रक्रिया
- प्रक्रिया
- प्रसंस्करण
- पेशेवरों
- गहरा
- अनुपात
- प्रदान करना
- प्रदान करता है
- प्रदान कर
- प्रकाशित
- प्रयोजनों
- त्वरित
- जल्दी से
- रेडियो
- रेंज
- बल्कि
- असली दुनिया
- क्षेत्र
- वसूली
- को कम करने
- घटी
- कम कर देता है
- उल्लेख
- संदर्भित करता है
- और
- प्रासंगिक
- विश्वसनीयता
- बाकी है
- की जगह
- प्रतिनिधि
- की आवश्यकता होती है
- अपेक्षित
- की आवश्यकता होती है
- अनुसंधान
- शोधकर्ताओं
- उपयुक्त संसाधन चुनें
- बाकी
- परिणाम
- सही
- भूमिका
- चलाता है
- sagemaker
- कहते हैं
- स्केलेबल
- स्कोर
- खरोंच
- स्क्रीन
- दूसरा
- अनुभाग
- देखना
- चयनित
- सेंसर
- कई
- गंभीर
- सेवा
- serverless
- कार्य करता है
- सेवा
- सेवाएँ
- सेट
- सात
- आकार
- बांटने
- परिवर्तन
- चाहिए
- प्रदर्शन
- पता चला
- दिखाया
- दिखाता है
- महत्वपूर्ण
- काफी
- सरल
- सरलीकृत
- को आसान बनाने में
- एक
- आकार
- कौशल
- स्किन
- सॉफ्टवेयर
- सॉफ्टवेयर विकास
- सौर
- समाधान
- समाधान ढूंढे
- कुछ
- विशेषीकृत
- विशेषज्ञता
- विशिष्ट
- गति
- मानक
- प्रारंभ
- शुरुआत में
- शुरू होता है
- राज्य
- स्थिति
- कदम
- कदम
- रुकें
- भंडारण
- अध्ययन
- सफल
- सफलतापूर्वक
- ऐसा
- सुझाव
- निश्चित
- शल्य
- संदेहजनक
- लेता है
- ले जा
- तकनीक
- तकनीकी
- तकनीक
- परीक्षण
- परीक्षण
- टेक्स्ट
- से
- कि
- RSI
- लेकिन हाल ही
- उन
- फिर
- वहाँ।
- जिसके चलते
- इन
- वे
- इसका
- उन
- हजारों
- यहाँ
- पहर
- समय श्रृंखला
- बहुत समय लगेगा
- समयोचित
- सेवा मेरे
- साधन
- उपकरण
- tp
- परंपरागत
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- गाड़ियों
- स्थानांतरण
- परिवर्तनकारी
- इलाज
- उपचार
- <strong>उद्देश्य</strong>
- सच
- कोशिश
- दो
- टाइप
- प्रकार
- आम तौर पर
- अंत में
- के अंतर्गत
- गुज़रना
- अद्वितीय
- अनावश्यक
- प्रयोग
- उपयोग
- उदाहरण
- प्रयुक्त
- उपयोगकर्ता के अनुकूल
- का उपयोग
- मूल्यवान
- मूल्य
- विविधता
- विभिन्न
- सत्यापित
- देखें
- दिखाई
- दृष्टि
- महत्वपूर्ण
- प्रतीक्षा
- करना चाहते हैं
- था
- घड़ी
- we
- वेब
- वेब सेवाओं
- थे
- कब
- या
- कौन कौन से
- कौन
- खिड़की
- साथ में
- अंदर
- बिना
- कार्यशालाओं
- विश्व
- लिख रहे हैं
- वर्ष
- आप
- आपका
- जेफिरनेट
- ज़िप