Az orvosi képek elemzése döntő szerepet játszik a betegségek diagnosztizálásában és kezelésében. Az a képesség, hogy ezt a folyamatot gépi tanulási (ML) technikák segítségével automatizálják, lehetővé teszi az egészségügyi szakemberek számára, hogy gyorsabban diagnosztizáljanak bizonyos rákos megbetegedéseket, koszorúér-betegségeket és szemészeti állapotokat. Azonban az egyik legfontosabb kihívás, amellyel ezen a területen a klinikusok és kutatók szembesülnek, a képosztályozási ML-modellek időigényes és összetett jellege. A hagyományos módszerek kódolási szakértelmet és az ML-algoritmusok széleskörű ismeretét igénylik, ami sok egészségügyi szakember számára akadályt jelenthet.
Ennek a hiányosságnak a megszüntetésére használtuk Amazon SageMaker Canvas, egy vizuális eszköz, amely lehetővé teszi az orvosok számára, hogy kódolás vagy speciális ismeretek nélkül építsenek és telepítsenek ML modelleket. Ez a felhasználóbarát megközelítés kiküszöböli az ML-hez kapcsolódó meredek tanulási görbét, amely felszabadítja a klinikusokat, hogy a pácienseikre összpontosítsanak.
Az Amazon SageMaker Canvas fogd és vidd felületet biztosít az ML modellek létrehozásához. A klinikusok kiválaszthatják a használni kívánt adatokat, megadhatják a kívánt kimenetet, majd figyelhetik, ahogy az automatikusan felépíti és betanítja a modellt. A modell betanítása után pontos előrejelzéseket generál.
Ez a megközelítés ideális azoknak az orvosi klinikusoknak, akik az ML-t szeretnék használni diagnózisaik és kezelési döntéseik javítására. Az Amazon SageMaker Canvas segítségével az ML erejét használhatják betegeik megsegítésére anélkül, hogy ML-szakértőnek kellene lenniük.
Az orvosi képbesorolás közvetlenül befolyásolja a betegek kimenetelét és az egészségügyi ellátás hatékonyságát. Az orvosi képek időben történő és pontos osztályozása lehetővé teszi a betegségek korai felismerését, ami elősegíti a hatékony kezelés tervezését és monitorozását. Ezen túlmenően, az ML demokratizálódása olyan hozzáférhető interfészek révén, mint az Amazon SageMaker Canvas, lehetővé teszi az egészségügyi szakemberek szélesebb körét, beleértve azokat is, akik nem rendelkeznek kiterjedt műszaki háttérrel, hogy hozzájáruljanak az orvosi képelemzés területéhez. Ez az inkluzív megközelítés elősegíti az együttműködést és a tudásmegosztást, és végső soron előrelépéshez vezet az egészségügyi kutatásban és a jobb betegellátásban.
Ebben a bejegyzésben megvizsgáljuk az Amazon SageMaker Canvas képességeit az orvosi képek osztályozásában, megvitatjuk előnyeit, és kiemeljük azokat a valós használati eseteket, amelyek bemutatják az orvosi diagnosztikára gyakorolt hatását.
Használási eset
A bőrrák súlyos és potenciálisan halálos betegség, és minél korábban észlelik, annál nagyobb az esély a sikeres kezelésre. Statisztikailag a bőrrák (pl. bazális és laphámsejtes karcinóma) az egyik leggyakoribb ráktípus, és több százezer halálesethez vezet. világszerte minden évben. A bőrsejtek rendellenes növekedésén keresztül nyilvánul meg.
A korai diagnózis azonban drasztikusan növeli a gyógyulás esélyét. Ezenkívül szükségtelenné teheti a sebészeti, radiográfiás vagy kemoterápiás terápiákat, vagy csökkentheti azok általános felhasználását, ami hozzájárul az egészségügyi költségek csökkentéséhez.
A bőrrák diagnosztizálásának folyamata egy dermoszkópiának nevezett eljárással kezdődik[1], amely megvizsgálja a bőrelváltozások általános alakját, méretét és színét. A feltételezett elváltozásokat ezután további mintavételnek és szövettani vizsgálatnak vetik alá a rákos sejt típusának megerősítésére. Az orvosok többféle módszert alkalmaznak a bőrrák kimutatására, kezdve a vizuális észleléssel. Az American Center for the Study of Dermatology útmutatót dolgozott ki a melanoma lehetséges formájára, amely az ún ABCD (aszimmetria, szegély, szín, átmérő), és az orvosok a betegség kezdeti szűrésére használják. Ha gyanús bőrelváltozást találnak, az orvos biopsziát vesz a bőrön látható elváltozásról, és mikroszkóposan megvizsgálja a jóindulatú vagy rosszindulatú diagnózist és a bőrrák típusát. A számítógépes látásmodellek értékes szerepet játszhatnak a gyanús anyajegyek vagy elváltozások azonosításában, ami lehetővé teszi a korábbi és pontosabb diagnózist.
A rákfelismerő modell létrehozása többlépcsős folyamat, az alábbiak szerint:
- Gyűjtsön össze egy nagy adathalmazt az egészséges bőrről és a különböző típusú rákos vagy rákmegelőző elváltozásokkal rendelkező bőrről. Ezt az adatkészletet gondosan össze kell állítani a pontosság és a következetesség biztosítása érdekében.
- Használjon számítógépes látástechnikai technikákat a képek előfeldolgozására és az egészséges és a rákos bőr megkülönböztetésére alkalmas kivonatokra.
- Tanítson egy ML-modellt az előfeldolgozott képeken, felügyelt tanulási megközelítést használva, hogy megtanítsa a modellt megkülönböztetni a különböző bőrtípusokat.
- Értékelje a modell teljesítményét különféle mérőszámok segítségével, mint például a pontosság és a visszahívás, annak biztosítása érdekében, hogy pontosan azonosítsa a rákos bőrt, és minimalizálja a hamis pozitívumot.
- Integrálja a modellt egy felhasználóbarát eszközbe, amelyet bőrgyógyászok és más egészségügyi szakemberek használhatnak a bőrrák kimutatásában és diagnosztizálásában.
Összességében elmondható, hogy a bőrrák kimutatási modelljének a semmiből történő kidolgozása jellemzően jelentős erőforrásokat és szakértelmet igényel. Az Amazon SageMaker Canvas itt segíthet leegyszerűsíteni a 2–5. lépéshez szükséges időt és erőfeszítést.
Megoldás áttekintése
A bőrrák számítógépes látásmodelljének kódírás nélküli létrehozásának bemutatásához a Harvard Dataverse által közzétett dermatoszkópiás bőrrák képi adatkészletet használjuk. Az adatkészletet használjuk, amely a címen található HAM10000 és 10,015 XNUMX dermatoszkópos képből áll, hogy felállítson egy bőrrák osztályozási modellt, amely előrejelzi a bőrrák osztályait. Néhány fontos szempont az adatkészlettel kapcsolatban:
- Az adatkészlet képzési készletként szolgál akadémiai ML célokra.
- A pigmentált elváltozások területéhez tartozó összes fontos diagnosztikai kategória reprezentatív gyűjteményét tartalmazza.
- Néhány kategória az adatkészletben: Aktinikus keratózisok és intraepiteliális karcinóma / Bowen-kór (akiec), bazálissejtes karcinóma (bcc), jóindulatú keratosis-szerű elváltozások (szoláris lentigines / seborrheás keratózisok és lichen-planus, mint a keratózisok, bkl), dermatofibroma ( df), melanoma (mel), melanocytás nevi (nv) és vaszkuláris elváltozások (angiómák, angiokeratomák, piogén granulomák és vérzés, vasc)
- Az adatkészletben szereplő elváltozások több mint 50%-a kórszövettani vizsgálattal (histo) igazolt.
- A többi eset alapigazságát utóvizsgálattal határozzák meg (
follow_up
), szakértői konszenzus (konszenzus), vagy megerősítés által in vivo konfokális mikroszkópia (konfokális). - Az adatkészlet több képpel rendelkező elváltozásokat tartalmaz, amelyek a segítségével nyomon követhetők
lesion_id
oszlopon belülHAM10000_metadata
fájlt.
Bemutatjuk, hogyan lehet egyszerűsíteni a képek osztályozását több bőrrák-kategória esetén anélkül, hogy kódot kellene írni az Amazon SageMaker Canvas használatával. Ha adott egy bőrelváltozásról készült kép, a SageMaker Canvas képbesorolása automatikusan jóindulatú vagy lehetséges rákba sorolja be a képet.
Előfeltételek
- Hozzáférés egy AWS fiók a lépésekben ismertetett erőforrások létrehozásához szükséges engedéllyel.
- Egy AWS Identity and Access Management (AWS IAM) felhasználó teljes engedélyekkel az Amazon SageMaker használatához.
Végigjátszás
- SageMaker tartomány beállítása
- Adatkészletek beállítása
- Hozzon létre egy Amazon egyszerű tárolási szolgáltatást (Amazon S3) vödör egyedi névvel, ami az
image-classification-<ACCOUNT_ID>
ahol ACCOUNT_ID az Ön egyedi AWS-fiókjának száma. - Ebben a tárolóban hozzon létre két mappát:
training-data
és atest-data
. - A képzési adatok alatt hozzon létre hét mappát az adatkészletben azonosított bőrrák-kategóriák mindegyikéhez:
akiec
,bcc
,bkl
,df
,mel
,nv
ésvasc
. - Az adatkészlet több képpel rendelkező elváltozásokat tartalmaz, amelyek nyomon követhetők a
lesion_id-column
belülHAM10000_metadata
fájlt. Használni alesion_id-column
, másolja be a megfelelő képeket a megfelelő mappába (azaz minden besorolásnál 100 képpel kezdheti).
- Hozzon létre egy Amazon egyszerű tárolási szolgáltatást (Amazon S3) vödör egyedi névvel, ami az
- Használja az Amazon SageMaker Canvast
- Menj a Amazon SageMaker szolgáltatást a konzolon, és válassza ki Vászon a listáról. Ha a Canvas oldalon van, válasszon Nyissa meg a Canvast gombot.
- Ha a Canvas oldalon van, válassza a lehetőséget A modelljeim majd válassza ki Új modell a képernyő jobb oldalán.
- Megnyílik egy új felugró ablak, ahol elnevezzük image_classify mint a modell neve, és válassza a Képelemzés lehetőséget a alatt Probléma típusa.
- Importálja az adatkészletet
- A következő oldalon válasszon Adatkészlet létrehozása és a felugró ablakban nevezze el az adatkészletet így image_classify És válassza ki a Teremt gombot.
- A következő oldalon módosítsa a Adatforrás nak nek Amazon S3. A képeket közvetlenül is feltöltheti (pl. Helyi feltöltés).
- Amikor kiválasztja Amazon S3, akkor megjelenik a fiókjában található csoportok listája. Válassza ki azt a szülő tárolót, amely az adatkészletet az almappában tárolja (pl. image-classify-2023 és válassza ki a Adatok importálása gomb. Ez lehetővé teszi az Amazon SageMaker Canvas számára, hogy gyorsan felcímkézze a képeket a mappanevek alapján.
- Az adatkészlet sikeres importálása után az Állapot oszlopban látható érték a következőre változik Kész ból ből Feldolgozás.
- Most válassza ki az adatkészletet a kiválasztásával Válassza ki az adatkészletet az oldal alján.
- Építsd meg a modelledet
- A Épít oldalon látnia kell adatait importálva és felcímkézve az Amazon S3 mappanevének megfelelően.
- Válassza ki a Gyors felépítés gombot (azaz a következő képen a pirossal kiemelt tartalom), és két lehetőséget fog látni a modell felépítésére. Az első a Gyors felépítés a második pedig az Szabványos felépítés. Ahogy a neve is sugallja, a gyorsépítési lehetőség a pontosság feletti sebességet biztosít, és körülbelül 15-30 percet vesz igénybe a modell elkészítése. A szabványos összeállítás a pontosságot helyezi előtérbe a sebességgel szemben, a modellkészítés 45 perctől 4 óráig tart. A standard build kísérleteket futtat a hiperparaméterek különböző kombinációival, és számos modellt generál a háttérben (a SageMaker Autopilot funkciójával), majd kiválasztja a legjobb modellt.
- választ Szabványos felépítés hogy elkezdje felépíteni a modellt. Körülbelül 2-5 órát vesz igénybe.
- Amint a modell felépítése befejeződött, láthatja a becsült pontosságot a 11. ábrán látható módon.
- Ha kiválasztja a Pontozása lapon betekintést kell nyújtania a modell pontosságába. Ezenkívül kiválaszthatjuk a Speciális mutatók gombot a Pontozása lapon megtekintheti a pontosságot, a visszahívást és az F1 pontszámot (a pontosság kiegyensúlyozott mértéke, amely figyelembe veszi az osztályegyensúlyt).
- Az Amazon SageMaker Canvas által megjelenített speciális mutatók attól függnek, hogy a modell numerikus, kategorikus, képi, szöveges vagy idősoros előrejelzéseket hajt végre az adatokon. Ebben az esetben úgy gondoljuk, hogy a felidézés fontosabb, mint a pontosság, mert a rák kimutatásának hiánya sokkal veszélyesebb, mint a helyes felismerés. A kategorikus előrejelzés, mint például a 2-kategóriás előrejelzés vagy a 3-kategóriás előrejelzés, az osztályozás matematikai koncepciójára utal. A fejlett mérőszám A visszahívás az összes tényleges pozitív (TP + hamis negatívok) közül a valódi pozitívak (TP) hányada. A modell által helyesen pozitívnak jósolt pozitív esetek arányát méri. Kérjük, olvassa el ezt Egy mélyrepülés az Amazon SageMaker Canvas speciális mérőszámaiba egy mélyrepüléshez az előrehaladási mutatók terén.
Ezzel befejeződik a modell létrehozási lépése az Amazon SageMaker Canvasban.
- Teszteld a modelledet
- Most kiválaszthatja a Tippelje gombot, amely a Tippelje oldal, ahol feltöltheti saját képeit Egyetlen jóslat or Kötegelt előrejelzés. Kérjük, állítsa be a kívánt lehetőséget, és válassza ki import a kép feltöltéséhez és a modell teszteléséhez.
- Kezdjük egyetlen kép előrejelzésével. Győződjön meg róla, hogy a Egyetlen jóslat És válasszon Kép importálása. Ekkor megjelenik egy párbeszédpanel, ahol kiválaszthatja, hogy feltölti-e a képet Amazon S3, vagy tegye a Helyi feltöltés. Esetünkben szelektálunk Amazon S3 és tallózzon a könyvtárunkba, ahol a tesztképek vannak, és válasszon ki egy tetszőleges képet. Ezután válassza ki Adatok importálása.
- Miután kiválasztotta, a képernyőn ezt kell látnia Előrejelzési eredmények generálása. Az alábbiak szerint néhány percen belül meg kell kapnia az eredményt.
- Most próbáljuk ki a Batch előrejelzést. Válassza ki Kötegelt előrejelzés alatt Előrejelzések futtatása És válassza ki a Új adatkészlet importálása gombot, és nevezd el BatchPrediction és nyomja meg a Teremt gombot.
- A következő ablakban győződjön meg arról, hogy az Amazon S3 feltöltést választotta, és keresse meg azt a könyvtárat, ahol a tesztkészletünk van, és válassza ki a Adatok importálása gombot.
- Miután a képek bekerültek Kész állapotát, válassza ki a létrehozott adatkészlet választógombját, és válassza a Előrejelzések generálása lehetőséget. Most látnia kell a köteg előrejelzési köteg állapotát Előrejelzések generálása. Várjunk néhány percet az eredményekre.
- Ha az állapot be van kapcsolva Kész állapotában válassza ki az adatkészlet nevét, amely egy olyan oldalra viszi, amelyen az összes képünkön látható a részletes előrejelzés.
- A Batch Prediction másik fontos jellemzője, hogy ellenőrizni tudja az eredményeket, és képes letölteni az előrejelzést zip- vagy csv-fájlban további felhasználás vagy megosztás céljából.
Ezzel sikeresen létrehozhat egy modellt, betanította azt, és tesztelheti az előrejelzését az Amazon SageMaker Canvas segítségével.
Takarítás
A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Kijelentkezés a bal oldali navigációs panelen, hogy kijelentkezzen az Amazon SageMaker Canvas alkalmazásból, hogy leállítsa a fogyasztását SageMaker Canvas munkaterület-példányok nyitvatartása és engedje el az összes erőforrást.
Idézet
[1]Fraiwan M, Faouri E. A bőrrák automatikus felismeréséről és osztályozásáról a Deep Transfer Learning segítségével. Érzékelők (Bázel). 2022. június 30.; 22(13):4963. doi: 10.3390/s22134963. PMID: 35808463; PMCID: PMC9269808.
Következtetés
Ebben a bejegyzésben bemutattuk, hogy az ML technikákkal végzett orvosi képelemzés miként gyorsíthatja fel a bőrrák diagnózisát, és hogyan alkalmazható más betegségek diagnosztizálására. A képosztályozáshoz szükséges ML modellek felépítése azonban gyakran bonyolult és időigényes, kódolási szakértelmet és ML ismereteket igényel. Az Amazon SageMaker Canvas ezt a kihívást egy olyan vizuális felület biztosításával oldotta meg, amely kiküszöböli a kódolás vagy a speciális ML-készségek szükségességét. Ez lehetővé teszi az egészségügyi szakemberek számára, hogy meredek tanulási görbe nélkül használják az ML-t, lehetővé téve számukra, hogy a betegek ellátására összpontosítsanak.
A rákfelismerő modell kidolgozásának hagyományos folyamata nehézkes és időigényes. Ez magában foglalja egy összegyűjtött adatkészlet összegyűjtését, a képek előfeldolgozását, az ML-modell betanítását, a teljesítmény értékelését, valamint az egészségügyi szakemberek számára készült felhasználóbarát eszközbe való integrálását. Az Amazon SageMaker Canvas leegyszerűsítette az előfeldolgozástól az integrációig tartó lépéseket, ami csökkentette a bőrrák kimutatására szolgáló modell felépítéséhez szükséges időt és erőfeszítést.
Ebben a bejegyzésben elmélyültünk az Amazon SageMaker Canvas hatékony lehetőségeiben az orvosi képek osztályozásában, megvilágítva előnyeit, és olyan valós használati eseteket mutatunk be, amelyek bemutatják annak az orvosi diagnosztikára gyakorolt mélyreható hatását. Az egyik ilyen lenyűgöző felhasználási eset, amelyet feltártunk, a bőrrák kimutatása volt, és az, hogy a korai diagnózis gyakran jelentősen javítja a kezelési eredményeket és csökkenti az egészségügyi költségeket.
Fontos tudomásul venni, hogy a modell pontossága olyan tényezőktől függően változhat, mint például a betanítási adatkészlet mérete és az alkalmazott modell konkrét típusa. Ezek a változók szerepet játszanak az osztályozási eredmények teljesítményének és megbízhatóságának meghatározásában.
Az Amazon SageMaker Canvas felbecsülhetetlen értékű eszközként szolgálhat, amely segíti az egészségügyi szakembereket a betegségek pontosabb és hatékonyabb diagnosztizálásában. Létfontosságú azonban megjegyezni, hogy nem helyettesíti az egészségügyi szakemberek szakértelmét és megítélését. Inkább felhatalmazza őket azáltal, hogy bővíti képességeiket, és pontosabb és célszerűbb diagnózist tesz lehetővé. Az emberi elem továbbra is alapvető fontosságú a döntéshozatali folyamatban, és az egészségügyi szakemberek és a mesterséges intelligencia (AI) eszközei, köztük az Amazon SageMaker Canvas közötti együttműködés kulcsfontosságú az optimális betegellátásban.
A szerzőkről
Ramakant Joshi az AWS Solutions Architect, az analitika és a szerver nélküli tartományra specializálódott. Szoftverfejlesztéssel és hibrid architektúrákkal rendelkezik, és szenvedélyesen segíti ügyfeleit felhőarchitektúráik korszerűsítésében.
Jake Wen az AWS megoldástervezője, akit a gépi tanulás, a természetes nyelvi feldolgozás és a mélytanulás iránti szenvedély vezérel. Segíti a vállalati ügyfeleket a modernizáció és a skálázható telepítés megvalósításában a felhőben. A technológiai világon túl Jake örömét leli a gördeszkázásban, a túrázásban és a drónok vezetésében.
Sonu Kumar Singh az AWS Solutions Architect, az elemzési tartományra specializálódott. Jelentős szerepet játszott a szervezetek átalakuló változásainak katalizálásában azáltal, hogy lehetővé tette az adatvezérelt döntéshozatalt, ezáltal elősegítve az innovációt és a növekedést. Élvezi, ha valami általa tervezett vagy alkotott dolog pozitív hatással van. Az AWS-nél az a szándéka, hogy segítse ügyfeleit abban, hogy értéket vonjanak ki az AWS több mint 200 felhőszolgáltatásából, és lehetővé tegyék számukra a felhőalapú útjukat.
Dariush Azimi az AWS megoldástervezője, szakterülete a gépi tanulás, a természetes nyelvi feldolgozás (NLP) és a Kubernetes mikroszolgáltatási architektúrája. Küldetése, hogy képessé tegye a szervezeteket adataik teljes potenciáljának kiaknázására olyan átfogó, végpontokig terjedő megoldások révén, amelyek magukban foglalják az adattárolást, a hozzáférhetőséget, az elemzést és az előrejelzési képességeket.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/simplify-medical-image-classification-using-amazon-sagemaker-canvas/
- :van
- :is
- :ahol
- $ UP
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 15%
- 16
- 17
- 2022
- 30
- 32
- 7
- 8
- 9
- 97
- a
- képesség
- Képes
- Rólunk
- egyetemi
- hozzáférés
- megközelíthetőség
- hozzáférhető
- Fiók
- pontosság
- pontos
- pontosan
- elérése
- elismerni
- tényleges
- cím
- címzett
- előre
- fejlett
- fejlesztések
- AI
- Támogatás
- AIR
- algoritmusok
- Minden termék
- lehetővé téve
- lehetővé teszi, hogy
- Is
- amazon
- Amazon SageMaker
- Amazon SageMaker Canvas
- Az Amazon Web Services
- Amerikai
- an
- elemzés
- analitika
- és a
- bármilyen
- Alkalmazás
- megközelítés
- építészet
- VANNAK
- körül
- mesterséges
- mesterséges intelligencia
- Mesterséges intelligencia (AI)
- AS
- segítséget nyújt
- társult
- At
- automatizált
- Automatikus
- automatikusan
- AWS
- háttér
- háttér
- háttérrel
- Egyenleg
- korlát
- alapján
- Basel
- BE
- mert
- óta
- Hisz
- lent
- Előnyök
- BEST
- Jobb
- között
- Túl
- határ
- Alsó
- Doboz
- Bring
- tágabb
- épít
- Épület
- épít
- gomb
- by
- hívott
- TUD
- Rák
- vászon
- képességek
- ami
- gondosan
- eset
- esetek
- katalizáló
- kategóriák
- Cellák
- Központ
- bizonyos
- kihívás
- kihívások
- esély
- esély
- változik
- jellemzők
- választás
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- választja
- osztály
- osztályok
- besorolás
- klinikusok
- felhő
- felhő szolgáltatások
- kód
- Kódolás
- együttműködés
- gyűjtemény
- szín
- Oszlop
- kombinációk
- Közös
- kényszerítő
- teljes
- Befejezi
- bonyolult
- átfogó
- számítógép
- Számítógépes látás
- koncepció
- Körülmények
- megerősítés
- MEGERŐSÍTETT
- megegyezés
- áll
- Konzol
- fogyasztás
- tartalom
- contribuer
- kijavítására
- Megfelelő
- kiadások
- tudott
- teremt
- készítette
- létrehozása
- teremtés
- kritikus
- nehézkes
- a válogatott
- görbe
- Ügyfelek
- Veszélyes
- dátum
- adattárolás
- adatalapú
- Adatoldal
- halálesetek
- Döntéshozatal
- határozatok
- mély
- mély merülést
- mély tanulás
- élvezet
- demokratizálás
- bizonyítani
- attól
- telepíteni
- bevetés
- leírt
- tervezett
- kívánatos
- részletes
- kimutatására
- észlelt
- Érzékelés
- eltökélt
- meghatározó
- fejlett
- fejlesztése
- Fejlesztés
- Párbeszéd
- különböző
- különbséget
- közvetlenül
- megvitatni
- betegség
- betegségek
- különbséget tesz
- merülés
- do
- Orvos
- Orvosok
- Ennek
- domain
- letöltés
- drasztikusan
- hajtott
- Drónok
- e
- minden
- Korábban
- Korai
- Hatékony
- hatékonyság
- erőfeszítés
- elem
- megszünteti
- munkavállaló
- képessé
- felhatalmazza
- lehetővé teszi
- lehetővé téve
- átfogó
- végtől végig
- Javítja
- biztosítására
- Vállalkozás
- alapvető
- becsült
- értékelni
- megvizsgálja
- gyors
- kísérletek
- szakértő
- szakvélemény
- feltárása
- feltárt
- kiterjedt
- kivonat
- f1
- szembe
- tényezők
- hamis
- messze
- Funkció
- kevés
- mező
- Ábra
- filé
- leletek
- vezetéknév
- Összpontosít
- következő
- A
- elősegíti
- talált
- töredék
- ból ből
- Tele
- funkcionalitás
- további
- rés
- gyűjtése
- általános
- generál
- generál
- kap
- adott
- nagyobb
- Földi
- Növekedés
- útmutató
- hám
- Harvard
- Legyen
- he
- egészségügyi
- egészséges
- segít
- segít
- Kiemel
- övé
- Találat
- tart
- NYITVATARTÁS
- Hogyan
- How To
- azonban
- HTML
- HTTPS
- emberi
- Emberi elem
- Több száz
- hibrid
- i
- ideális
- azonosított
- azonosítja
- azonosítani
- Identitás
- if
- kép
- Képosztályozás
- képek
- Hatás
- Hatások
- importál
- fontos
- javul
- javított
- in
- magában foglalja a
- Beleértve
- befogadó
- Növeli
- kezdetben
- Innováció
- meglátások
- példa
- hangszeres
- integrálni
- integráció
- Intelligencia
- szándékolt
- Szándék
- Felület
- interfészek
- bele
- felbecsülhetetlen
- IT
- ITS
- maga
- utazás
- jpg
- Kulcs
- tudás
- Kumar
- Címke
- címkézés
- nyelv
- nagy
- vezetékek
- tanulás
- balra
- fény
- mint
- Lista
- felsorolás
- log
- gép
- gépi tanulás
- csinál
- vezetés
- sok
- matematikai
- Lehet..
- intézkedés
- intézkedések
- orvosi
- mód
- Metrics
- Mikroszkópia
- microservices
- minimalizálja
- Perc
- hiányzó
- Küldetés
- ML
- modell
- modellek
- korszerűsítésére
- ellenőrzés
- több
- Ráadásul
- a legtöbb
- többszörös
- név
- nevek
- Természetes
- Természetes nyelvi feldolgozás
- Természet
- Keresse
- Navigáció
- Szükség
- igénylő
- igények
- negatívok
- Új
- következő
- NIH
- NLP
- Most
- NV
- objektumok
- of
- gyakran
- on
- egyszer
- ONE
- nyit
- optimálisan
- opció
- Opciók
- or
- szervezetek
- Más
- mi
- ki
- eredmények
- vázolt
- teljesítmény
- felett
- átfogó
- saját
- oldal
- üvegtábla
- szenvedély
- szenvedélyes
- beteg
- betegek
- mert
- teljesítmény
- Előadja
- engedélyek
- választás
- kísérletezik
- döntő
- tervezés
- Plató
- Platón adatintelligencia
- PlatoData
- játszani
- játszik
- kérem
- pont
- pop-up
- pozitív
- lehetséges
- állás
- potenciális
- potenciálisan
- hatalom
- erős
- pontos
- Pontosság
- jósolt
- előrejelzés
- Tippek
- jósolja
- be
- fontossági sorrendbe
- eljárás
- folyamat
- feldolgozás
- tehetséges alkalmazottal
- mélységes
- arány
- ad
- biztosít
- amely
- közzétett
- célokra
- Quick
- gyorsan
- rádió
- hatótávolság
- Inkább
- való Világ
- birodalom
- felépülés
- csökkenteni
- Csökkent
- csökkenti
- utal
- kifejezés
- engedje
- megbízhatóság
- maradványok
- cserélni
- reprezentatív
- szükség
- kötelező
- megköveteli,
- kutatás
- kutatók
- Tudástár
- REST
- Eredmények
- jobb
- Szerep
- fut
- sagemaker
- azt mondja,
- skálázható
- pontszám
- kaparni
- Képernyő
- szűrés
- Második
- Rész
- lát
- kiválasztott
- érzékelők
- Series of
- súlyos
- szolgál
- vagy szerver
- szolgálja
- szolgáltatás
- Szolgáltatások
- készlet
- hét
- Alak
- megosztás
- Műszakok
- kellene
- kirakat
- kimutatta,
- mutatott
- Műsorok
- jelentős
- jelentősen
- Egyszerű
- egyszerűsített
- egyszerűsítése
- egyetlen
- Méret
- készségek
- Bőr
- szoftver
- szoftverfejlesztés
- nap
- megoldások
- Megoldások
- valami
- specializált
- szakosodott
- különleges
- sebesség
- standard
- kezdet
- Kezdve
- kezdődik
- Állami
- Állapot
- Lépés
- Lépései
- megáll
- tárolás
- Tanulmány
- sikeres
- sikeresen
- ilyen
- javasol
- biztos
- sebészeti
- gyanús
- tart
- bevétel
- tech
- Műszaki
- technikák
- teszt
- tesztek
- szöveg
- mint
- hogy
- A
- azok
- Őket
- akkor
- Ott.
- ezáltal
- Ezek
- ők
- ezt
- azok
- ezer
- Keresztül
- idő
- Idősorok
- időigényes
- időszerű
- nak nek
- szerszám
- szerszámok
- tp
- hagyományos
- Vonat
- kiképzett
- Képzések
- vonatok
- átruházás
- átalakító
- kezelésére
- kezelés
- igaz
- igazság
- megpróbál
- kettő
- típus
- típusok
- jellemzően
- Végül
- alatt
- mennek
- egyedi
- felesleges
- Használat
- használ
- használati eset
- használt
- barátságos felhasználói
- segítségével
- Értékes
- érték
- fajta
- különféle
- ellenőrzése
- Megnézem
- látható
- látomás
- fontos
- várjon
- akar
- volt
- Nézz
- we
- háló
- webes szolgáltatások
- voltak
- amikor
- vajon
- ami
- WHO
- ablak
- val vel
- belül
- nélkül
- Műhelyek
- világ
- írás
- év
- te
- A te
- zephyrnet
- Postai irányítószám